Scene-Aware Explainable Multimodal Trajectory Prediction
Created by
- Haebom
Category
Empty
저자
Pei Liu, Haipeng Liu, Xingyu Liu, Yiqun Li, Junlan Chen, Yangfan He, Jun Ma
개요
본 논문은 복잡한 교통 환경에서 자율 주행 차량의 내비게이션을 개선하기 위해 설명 가능한 조건부 확산 기반 다중 모드 경로 예측(DMTP) 모델을 제시합니다. 기존 연구의 한계인 시나리오 에이전트의 공동 추론 부재 및 경로 예측 모델의 설명력 부족을 해결하고자, 수정된 조건부 확산 기법을 통해 다중 모드 경로 패턴을 포착하고, 수정된 Shapley Value 모델을 이용하여 전역 및 시나리오 특정 특징의 중요도를 평가합니다. Waymo Open Motion Dataset을 사용한 실험 결과, 제시된 설명 가능한 모델이 중요 입력을 식별하는 데 탁월하고, 정확도 측면에서 기준 모델을 상당히 능가하며, 인간의 운전 경험과 일치하는 요인들을 식별함으로써 정확한 예측 학습의 효과를 보여줍니다. 소스 코드는 공개 저장소(https://github.com/ocean-luna/Explainable-Prediction)에서 이용 가능합니다.
시사점, 한계점
•
시사점:
◦
설명 가능한 경로 예측 모델을 통해 자율 주행 시스템의 신뢰성과 안전성 향상에 기여.
◦
수정된 Shapley Value 모델을 이용한 특징 중요도 평가는 모델의 투명성과 이해도 증진에 효과적.
◦
Waymo Open Motion Dataset을 사용한 실험 결과는 모델의 우수한 성능과 실용성을 입증.
◦
공개된 소스 코드를 통해 연구의 재현성 및 확장성 확보.
•
한계점:
◦
특정 데이터셋(Waymo Open Motion Dataset)에 대한 의존성. 다른 데이터셋에서의 일반화 성능 검증 필요.
◦
모델의 복잡성으로 인한 계산 비용 증가 가능성.
◦
Shapley Value 모델의 계산 복잡도에 따른 실시간 적용의 어려움.
◦
다양한 교통 상황 및 예외 상황에 대한 로버스트성 검증 필요.
