H2C: Hippocampal Circuit-inspired Continual Learning for Lifelong Trajectory Prediction in Autonomous Driving
Created by
Haebom
저자
Yunlong Lin, Zirui Li, Guodong Du, Xiaocong Zhao, Cheng Gong, Xinwei Wang, Chao Lu, Jianwei Gong
개요
본 논문은 자율 주행에서 안전한 내비게이션에 중요한 역할을 하는 궤적 예측에서 심층 학습(DL)의 최첨단 성능을 다룹니다. 기존 DL 기반 방법들은 새로운 분포에 적응하는 과정에서 이전에 학습한 내용에 대한 성능 저하(catastrophic forgetting)를 겪는다는 한계점을 지적합니다. 이러한 한계를 극복하기 위해, 본 논문에서는 해마 회로에서 영감을 받은 지속적 학습 방법인 H2C를 제안합니다. H2C는 제한된 자원을 기반으로 학습된 지식을 효과적으로 재구성하는 기억 재생(memory replay)의 원리를 활용하여 이전 지식을 유지합니다. 두 가지 상호 보완적인 전략(샘플 다양성 극대화 전략과 등확률 샘플링 전략)을 통해 학습된 지식을 대표하는 작은 하위 집합을 선택하고, 이를 기반으로 메모리 재생 손실 함수를 통해 새로운 데이터를 학습하면서 기존 지식을 유지합니다. INTERACTION 데이터셋의 다양한 시나리오를 기반으로 실험을 수행하여 H2C의 성능을 평가했으며, H2C가 기존 DL 기반 방법들보다 catastrophic forgetting을 평균 22.71% 감소시키는 것을 확인했습니다. 이는 수동으로 분포 변화를 알려주지 않고도 달성된 결과입니다.
시사점, 한계점
•
시사점:
◦
해마 회로에서 영감을 받은 새로운 지속적 학습 방법(H2C)을 제시하여 catastrophic forgetting 문제를 효과적으로 해결.
◦
기존 DL 기반 방법 대비 catastrophic forgetting을 상당히 감소시키는 성능 향상을 보임.
