본 논문은 자율주행에서 핵심 과제인 궤적 예측 모델 학습의 시간 및 계산 비용 문제와 데이터 불균형 문제를 해결하기 위해, Sample Selection for Trajectory Prediction (SSTP) 프레임워크를 제안합니다. SSTP는 기존의 사전 학습된 모델을 이용하여 각 샘플의 기울기 벡터를 계산하고, 이를 바탕으로 다양한 주행 시나리오를 포괄하는 대표적인 부분 집합을 선택하는 두 단계(추출 및 선택)로 구성됩니다. 이를 통해 데이터셋 크기를 줄이고 시나리오 불균형을 완화하여 예측 정확도를 유지하거나 향상시키며, 특히 고밀도 교통 상황에서 성능 개선을 보입니다. Argoverse 1 및 2 벤치마크를 사용한 실험 결과, SSTP는 전체 데이터셋의 절반만을 사용하여 기존 최첨단 모델들과 비슷한 성능을 달성하며, 고밀도 교통 상황에서 성능 향상과 훈련 시간 단축 효과를 보였습니다. 또한, 모델에 독립적이며 일반화 성능과 강건성이 뛰어나다는 것을 보였습니다.
