그래프-LSTM에서 스펙트럴 클러스터링을 이용한 도로 에이전트의 궤적 및 행동 예측

도시 교통 환경에서 스펙트럼 그래프 분석과 딥러닝을 결합한 새로운 교통 예측 접근법을 제안한다. 본 연구에서는 각 도로 에이전트의 추출된 궤적에서 저수준 정보(미래 궤적)와 고수준 정보(도로-에이전트 행동)를 동시에 예측한다. 제안하는 방식은 동적 가중치를 갖는 교통 그래프를 사용하여 도로 에이전트 간의 근접성을 표현한다. 이러한 가중치 교통 그래프를 기반으로 이중 스트림 그래프 컨볼루션 LSTM 네트워크를 활용하여 교통 예측을 수행한다. 첫 번째 스트림은 도로 에이전트의 공간 좌표를 예측하고, 두 번째 스트림은 도로 에이전트가 공격적, 보수적, 또는 일반적인 행동을 보일 것인지 예측한다. 장기 예측(3~5초)의 오차 범위를 줄이고 예측 궤적의 정확도를 향상시키기 위해 스펙트럼 클러스터 정규화를 도입한다. 제안한 방법은 Argoverse, Lyft, Apolloscape 데이터셋에서 평가되었으며, 기존 궤적 예측 기법 대비 우수한 성능을 보였다. 실질적으로 본 방법은 기존 알고리즘 대비 평균 예측 오차를 54% 이상 감소시키고, 행동 예측에 대해 가중 평균 정확도 91.2%를 달성하였다.