보행자 궤적 예측은 자율 시스템에 필수적이지만, 다양한 환경과 도메인에 적응해야 하므로 어려운 과제입니다. 본 논문에서는 각 시나리오에 대한 미세 조정을 피하면서 추론 시간에 적응할 수 있는 In-Context Learning (ICL) 프레임워크인 TrajICL을 제안합니다. TrajICL은 공간-시간 유사성 기반 예제 선택 (STES) 및 예측 기반 예제 선택 (PG-ES) 방법을 활용하여 관련 예제를 선택하고, 대규모 합성 데이터셋을 사용하여 모델의 예측 능력을 향상시킵니다. 광범위한 실험 결과, TrajICL은 인-도메인 및 크로스-도메인 시나리오 모두에서 훌륭한 적응력을 보여주며, 여러 공개 벤치마크에서 미세 조정된 접근 방식을 능가했습니다.
