이질적 그래프 컨볼루션 순환 네트워크를 활용한 운동 예측을 위한 동적 시나리오 표현 학습

동적 환경에서 복잡하고 변화하는 상호작용으로 인해 운동 예측은 자율주행 기술에서 도전적인 문제로 남아 있다. 기존의 대부분의 연구들은 정적 도로 그래프를 활용하여 환경를 특성화하고 있으나, 동적 환경에서의 진화하는 시공간적 종속성을 모델링하는 데 한계가 있다. 본 논문에서는 동적 이질적 그래프(dynamic heterogeneous graphs)를 활용하여 환경를 모델링한다. 차량(에이전트)과 차선 등 다양한 환경 구성 요소, 다중 유형의 상호작용, 그리고 시간에 따른 이러한 상호작용의 변화를 통합적으로 인코딩한다. 또한, 다양한 상호작용 정보를 집계하고 그 진화 과정을 포착할 수 있는 새로운 이질적 그래프 컨볼루션 순환 신경망(heterogeneous graph convolutional recurrent network)을 설계하여, 동적 그래프 내의 내재된 시공간적 종속성을 효과적으로 학습하고 동적 환경의 효율적인 표현을 도출한다. 마지막으로 운동 예측 디코더를 사용하여 에이전트의 현실적이고 다중 모달(multi-modal)인 미래 경로를 예측하며, 여러 운동 예측 벤치마크에서 최신 기술을 능가하는 성능을 달성한다.