SceneSelect: 궤적 시나리오 분류 및 전문가 스케줄링을 위한 선택적 학습

요약

SceneSelect는 높은 시나리오 이질성으로 인해 발생하는 궤적 예측의 일반화 문제를 해결하기 위해 '선택적 학습(selective learning)'이라는 새로운 패러다임을 제안합니다. 기존의 단일 통합 모델 방식이 모든 시나리오에 걸쳐 보편적으로 작동하려다 실패하는 한계를 극복하고, 대신 입력 데이터를 분석하여 가장 적합한 전문가 모델로 동적으로 라우팅합니다. 이를 통해 계산 비용을 절감하면서도 뛰어난 일반화 능력을 확보하며, 다양한 오프더셀프 모델과의 통합 및 새로운 데이터셋에 대한 강력한 적응성을 입증했습니다.

핵심 포인트

• 궤적 예측의 핵심 난제는 환경 변동성으로 인한 높은 시나리오 이질성(scenario heterogeneity)입니다.
• 기존의 단일 통합 모델은 모든 시나리오를 처리하려다 일반화 격차와 성능 저하 문제를 겪습니다.
• '선택적 학습(selective learning)' 패러다임은 입력 데이터를 분석하여 가장 적합한 전문가 모델로 동적으로 라우팅하는 방식으로 이 문제를 해결합니다.
• SceneSelect는 비지도 클러스터링을 통해 시나리오 분류 체계를 발견하고, 이를 기반으로 궤적 시퀀스를 최적의 예측기로 자동 분배합니다.
• 이 설계는 공동 재학습 없이도 뛰어난 일반화 능력을 보장하며, ETH-UCY, SDD, NBA 등 주요 벤치마크에서 기존 모델 대비 평균 10.5%의 성능 향상을 달성했습니다.