궤적 예측 (Trajectory prediction)은 자율 주행 차량이 주변 객체(또는 에이전트)의 미래 행동을 예측하고, 이에 따라 주행의 안전성과 효율성을 극대화할 수 있도록 합니다. 어텐션 메커니즘 (Attention mechanisms)을 활용하여 다중 에이전트 간의 상호작용을 포착하고 예측 정확도를 극대화하는 최첨단 Transformer 기반 상호작용 인지 (Interaction-aware) 궤적 예측 모델들은 일반적으로 장거리의 고품질 데이터셋을 통해 학습되고 평가됩니다. 이러한 데이터셋은 통상적으로 여러 차량이나 드론으로부터 데이터를 수집하고, 오프라인 상태에서 객체 탐지 (Object detection) 또는 추적 (Tracking) 노이즈를 제거하여 얻어집니다. 그러나 실제 배포 환경에서 주변 객체의 상태(위치, 속도, 헤딩)에 대한 정보는 결코 노이즈가 없는 상태가 아닙니다. 객체 상태 추정 (Object state estimation)은 인지 불확실성 (Perception uncertainties)과 위치 추정 오류 (Localization errors)의 영향을 받으며, 이는 특히 V2X (Vehicle-to-Everything) 통신을 통해 수신된 객체의 경우 매우 클 수 있습니다. 본 논문에서는 노이즈가 섞인 객체 상태 정보가 최첨단 Transformer 기반 상호작용 인지 궤적 예측 모델의 예측 정확도에 미치는 영향을 분석합니다. 우리의 연구는 노이즈 강도가 증가함에 따라 궤적 예측 정확도가 급격히 저하될 수 있음을 보여줍니다. 수치적 결과에 따르면, 예측 정확도는 낮은 노이즈 수준에서는 1.3배까지 감소할 수 있으며, 가장 높은(그러나 현실적인) 노이즈 조건에서는 무려 3.9배까지 감소할 수 있습니다. 이러한 발견은 궤적 예측 모델이 노이즈 데이터에 대해 강한 민감도를 가지고 있음을 드러내며, 더욱 현실적인 학습 및 평가 데이터셋과 노이즈 완화 (Noise mitigation) 전략의 필요성을 강조합니다.