본 논문은 복잡한 장거리 주행 시나리오에서 딥 트래젝토리 예측기의 신뢰성이 부족한 점을 개선하기 위해, 동적 멀티-전문가 게이팅 프레임워크를 제안합니다. 이 프레임워크는 물리 기반 LSTM, Transformer, 그리고 미세 조정된 GameFormer 모델 중에서 샘플별로 가장 신뢰할 수 있는 트래젝토리 예측기를 선택합니다. 모델 내부 신호(안정성, 불확실성 등)를 활용하여 전문가를 선택하며, 트래젝토리 전문가 선택 문제를 페어와이즈 랭킹 문제로 공식화하여 결정 품질을 직접 최적화합니다. nuPlan-mini 데이터셋에서 최종 변위 오류(FDE)를 2.567m로 달성하여 GameFormer보다 9.5% 개선되었으며, 오픈 루프 시뮬레이션에서 좌회전 시나리오의 FDE를 약 10% 감소시켰습니다.
