초록
최근 들어, 적절한 목표 예측이 제공될 경우, 목표 조건화(goal-conditioned) 접근법은 인간의 경로 예측에 매우 유용한 것으로 밝혀졌다. 그러나 목표 추론(goal inference) 자체는 복잡하며, 종종 추가적인 학습 노력이 수반된다. 본 연구에서는 기존에 학습된 예시들에 대한 새로운 목표 탐색 메커니즘을 활용해 낮은 비용으로 얻을 수 있는 목표 전문 지식(goal expertise)을 이용해 보행자의 경로를 예측하는 방법을 제안한다. 본 연구의 핵심 기여는 세 가지이다. 첫째, 근접한 예시들을 활용하여 고품질의 목표 위치를 탐색하는 프레임워크를 설계하였다. 이 방법은 다중 모달성(multi-modality), 물리적 제약 조건, 기존 방법들과의 호환성 등을 자연스럽게 고려할 수 있으며, 모델에 의존하지 않는 특징을 지닌다. 따라서 전형적인 목표 추론에서 요구되는 추가적인 학습 과정이 필요하지 않다. 둘째, 과거 운동 정보와 목표 검색 결과를 효율적으로 연관지을 수 있는 엔드투엔드(end-to-end) 경로 예측 모델을 제안하였다. 이 모델은 가능한 미래 경로를 동적으로 추론할 수 있다. 셋째, 이러한 두 가지 혁신적인 기법을 기반으로, 널리 연구된 두 가지 데이터셋(SDD 및 ETH/UCY)에서 일련의 실험을 수행하였으며, 기존 최고 성능 기법들을 눈에 띄게 상회함과 동시에 추가 파라미터의 필요성을 줄였음을 입증하였다.