본 논문은 자율주행을 위한 주변 도로 사용자의 궤적 예측 문제를 다룹니다. 기존의 심층 학습 모델들은 도로 밖 예측 방지 및 동역학적 타당성 보장에 어려움을 겪습니다. 본 논문에서는 허용 가능한 주행 방향과 경계를 이용하여 궤적 예측을 제약된 회귀 문제로 공식화하는 새로운 프레임워크를 제안합니다. 에이전트의 현재 상태와 HD 맵을 사용하여 유효한 경계를 정의하고, 좌우 경계 폴리라인 사이에 중첩된 경로를 학습하도록 네트워크를 훈련하여 도로 내 예측을 보장합니다. 동역학적 제약을 준수하면서 차량의 주행 거리를 결정하는 가속도 프로파일을 예측하여 타당성을 보장합니다. Argoverse-2 데이터셋을 사용하여 HPTR 기준과 비교 평가한 결과, 일부 벤치마크 지표는 HPTR보다 약간 감소했지만, 최종 변위 오차가 크게 개선되었고, 비실현 가능한 궤적이 제거되었습니다. 또한, 덜 빈번한 조작 및 알려지지 않은 분포 외 시나리오에 대한 일반화 성능이 뛰어나며, 적대적 공격 상황에서 도로 밖 예측 비율을 66%에서 1%로 감소시켰습니다.
