정확하고 신뢰할 수 있는 차량 궤적 예측 (vehicle trajectory prediction)은 안전한 자율 주행 (autonomous driving)을 위해 필수적입니다. 최근 연구들은 주변 에이전트 (agents)가 초래하는 위험을 정량화하기 위해 궤적 예측에 안전 위험을 통합해 왔습니다. 그러나 대부분의 위험 인식 (risk-aware) 접근 방식은 과거의 위험 정보를 의사결정을 돕는 보조 신호로만 사용하며, 위험의 미래 진화와 불확실성을 간과하고 있습니다. 본 논문에서는 위험 인식 궤적 예측을 위해 연속적이고 학습 가능한 포텐셜 필드 모델 (potential field model)을 통합하는 위험 지평선 프로파일링 (risk horizon profiling, RHP) 모듈을 제안합니다. RHP 모듈은 주변 객체들의 시공간적 근접성을 계산하여 미래 지평선 (future horizons) 전반에 걸친 위험 분포를 프로파일링하며, 이는 인간 운전자가 무엇을 임계 순간 (critical moments)으로 인지하는지를 적응적으로 식별함으로써 더 나은 궤적 예측을 지원합니다. 우리는 고속도로 통로를 위한 highD와 도시 도로를 위한 SHRP2라는 서로 다른 주행 환경의 두 데이터셋을 통해 우리의 방법을 평가하였으며, 이 데이터셋들은 안전, 충돌 직전, 그리고 충돌 이벤트를 포함한 다양한 위험 시나리오를 다룹니다. 베이스라인 (baseline) 방법들과 비교했을 때, 우리의 프레임워크는 highD 데이터셋에서 5초 RMSE를 25.0% 감소시켰으며, SHRP2에서는 5초 minFDE를 29.1% 감소시켰습니다. 이러한 결과는 단기 및 장기 지평선 예측 모두에서 강력한 성능을 나타내며, 고속도로와 도시 시나리오 전반에 걸쳐 견고한 일반화 (generalization) 능력을 보여줍니다. 제안된 방법은 더욱 현실적인 자율 주행 차량 (AV) 경로 계획 (path planning) 및 전략적 선택을 가능하게 하여, 결과적으로 더 안전한 자율 주행과 더 진보된 운전자 보조 시스템 (driver-assistance systems)을 지원합니다. 본 연구의 소스 코드는 다음에서 확인할 수 있습니다: https://github.com/bilab-nyu/RHP