본 논문은 자율 주행 시스템의 안전성과 신뢰성을 위해 필수적인 정확한 주행 예측 모델인 SafeCast를 제안합니다. 기존 방법들의 한계인 안전 제약 조건 무시 및 교통 참여자, 환경 요소, 주행 역학 간 복잡한 상호 작용 포착의 어려움을 해결하기 위해, SafeCast는 안전 인식 의사 결정과 불확실성 인식 적응력을 통합합니다. 특히, Responsibility-Sensitive Safety (RSS) 프레임워크를 주행 예측에 최초로 도입하여 안전 거리 및 충돌 회피 등의 해석 가능한 안전 규칙을 적용하고, Graph Uncertainty Feature (GUF)라는 그래프 기반 모듈을 통해 학습 가능한 노이즈를 Graph Attention Networks에 주입하여 실제 세계의 불확실성을 포착하고 다양한 시나리오에 대한 일반화 성능을 향상시킵니다. NGSIM, HighD, ApolloScape, MoCAD 등 네 개의 실제 데이터셋을 사용한 평가 결과, 경량 아키텍처와 낮은 추론 지연 시간을 유지하면서 최첨단(SOTA) 정확도를 달성하여 실시간 배포 가능성을 입증했습니다.
