본 논문은 자율 주행 시스템의 안전한 작동을 위해 중요한 주변 에이전트의 동적 행동 이해를 기반으로 정확한 궤적 예측을 다룬다. 기존 Transformer 기반 아키텍처의 정규화 계층 의존성으로 인한 계산 오버헤드 및 훈련 불안정성 문제를 해결하기 위해, 두 가지 접근 방식을 제시한다. 첫째, 기존 계층 정규화를 대체하는 최신 Transformer 개선 방법인 DynamicTanh (DyT)를 백본에 통합하여 네트워크 아키텍처를 단순화하고 추론 안정성을 향상시킨다. 둘째, 스냅샷 앙상블 전략을 사용하여 순환 학습률 스케줄링을 통해 단일 훈련 실행 중 여러 모델 스냅샷을 캡처하고, 추론 시 단순 평균화를 통해 추가적인 계산 비용 없이 다양한 가설의 이점을 얻는다. Argoverse 데이터셋을 사용한 실험 결과, 제안된 방법이 예측 정확도, 추론 속도 및 다양한 주행 시나리오에서의 강건성을 크게 향상시킨다는 것을 보여준다.
