SceneSelect: 궤적 시나리오 분류 및 전문가 스케줄링을 위한 선택적 학습

정확한 궤적 예측은 서로 다른 실제 환경에서 운동 속도, 공간 밀도, 상호작용 패턴에 대한 극심한 변동성으로 인해 발생하는 높은 시나리오 이질성 때문에 근본적으로 어렵습니다. 그러나 대부분의 기존 접근법은 단일 통합 모델을 훈련하여 고정된 용량의 아키텍처가 모든 가능한 시나리오에 걸쳐 보편적으로 일반화되기를 기대합니다. 이러한 전통적인 모델 중심 패러다임은 그러한 극단적인 이질성에 직면할 때 근본적으로 결함이 있어, 필연적으로 심각한 일반화 격차, 저하된 정확도, 그리고 막대한 계산 자원 낭비를 초래합니다. 이 병목 현상을 극복하기 위해, 제한된 모델 중심 아키텍처를 개선하는 대신, 우리는 시나리오 특성을 명시적으로 분석하여 입력을 가장 적합한 전문가 모델로 동적으로 라우팅하는 새로운 시나리오 중심 패러다임인 '선택적 학습 (selective learning)'을 제안합니다. 이 패러다임의 구체적 구현체로서, 우리는 SceneSelect 를 소개합니다. 구체적으로, SceneSelect 는 해석 가능한 기하학적 및 운동학적 특징에 대한 비지도 클러스터링을 사용하여 잠재적인 시나리오 분류 체계를 발견합니다. 그런 다음, 고도로 분리된 분류 모듈이 실시간 입력을 이러한 시나리오 범주로 할당하도록 훈련되며, 확장성이 뛰어나고 플러그 앤 플레이 가능한 스케줄링 정책이 궤적 시퀀스를 최적의 전문가 예측기로 자동으로 분배합니다.至关重要的是, 이 분리된 설계는 탁월한 일반화 능력을 보장하여, 계산 비용이 많이 드는 공동 재학습 없이도 다양한 오프더셀프 모델과의 원활한 통합 및 새로운 데이터셋에 대한 견고한 적응을 가능하게 합니다. ETH-UCY, SDD, NBA 의 세 가지 공개 벤치마크에서 수행한 광범위한 실험 결과, 우리의 방법은 강력한 단일 모델 및 앙상블 베이스라인을 일관되게 능가하여 평균 10.5% 의 개선을 달성함으로써 시나리오 인식 선택적 학습의 효과를 입증했습니다.