Pedestrian and vehicle path prediction is emerging as one of the essential algorithms in the field of robotics and autonomous driving. In order to implement safe autonomous driving in consideration of future uncertainties, diverse and plausible trajectories must be predicted. However, the most existing trajectory prediction works focus on predicting the answers in datasets. In addition, most of them try to learn the diversity and validity which have trade-off between them at once so they miss both the diversity and validity. To overcome the trade-off between them, this thesis propose two-phase learning to make model learn diversity and plausibility separately. The proposed framework outperforms other methods for diversity and plausibility while maintaining the comparable validity with other methods in Argoverse and nuScenes dataset.
보행자 및 차량의 경로 예측은 로보틱스 및 자율주행 분야에서 필수적인 알고리즘의 하나로 떠오르고 있다. 미래의 불확실성을 고려하여 안전한 자율주행을 구현하기 위해서는 다양하고 타당한 경로 예측해야 한다. 그러나 현재 제안된 경로 예측 모델들은 모두 데이터셋에 있는 정답을 맞추는 것에 초점을 둔다. 뿐만 아니라, 상충관계에 놓여있는 다양성과 타당성을 한 번에 학습하려다 보니 둘 다 놓치게 되는 경우도 있다. 본 학위논문에서는 이런 상충관계를 극복하고자, 두 단계 학습을 제안하여 프레임워크가 다양성과 타당성을 분리하여 학습하도록 했다. 제안하는 프레임워크는 Argoverse 및 nuScenes 데이터셋에서 실험하였으며, 다른 방법과 견줄 정도의 실측 정보와의 유효성을 유지한 채 우수한 다양성 및 타당성을 가지는데 성공하였다.
