본 논문은 자율 시스템을 위한 보행자의 정확한 미래 궤적 예측이라는 어려운 문제를 해결하기 위해, 상황별 미세 조정 없이도 빠른 적응을 가능하게 하는 In-Context Learning(ICL) 기반의 보행자 궤적 예측 프레임워크인 TrajICL을 제안합니다. TrajICL은 공간-시간적 유사성 기반 예시 선택(STES)과 예측-유도 예시 선택(PG-ES) 방법을 통해 같은 장면 내에서 유사한 움직임 패턴을 가진 과거 궤적에서 관련 예시를 선택합니다. 특히 PG-ES는 과거 궤적뿐 아니라 예측된 미래 궤적도 고려하여 장기적인 역학을 반영합니다. 또한, 다양한 상황을 포함하는 대규모 합성 데이터셋으로 모델을 학습하여 예측 성능을 향상시킵니다. 실험 결과, TrajICL은 도메인 내 및 도메인 간 시나리오에서 미세 조정된 접근 방식보다 우수한 성능을 보임을 보여줍니다.
