5.10 예측(Prediction)과 판단 모듈의 연계

5.10 예측(Prediction)과 판단 모듈의 연계

1. 개요

예측(Prediction) 모듈은 주변 교통 참여자의 미래 궤적과 행동 의도를 추정하며, 이 정보는 판단 모듈의 의사결정에 핵심적 입력으로 활용된다. 예측과 판단의 연계 방식은 자율주행 시스템의 안전성과 주행 효율성에 직접적인 영향을 미친다.

2. 예측 모듈의 출력 형태

예측 모듈의 출력은 다음과 같은 형태를 가진다.

  • 단일 궤적 예측: 각 객체에 대해 가장 가능성 높은 하나의 미래 궤적을 출력한다. 결정론적(Deterministic) 예측에 해당한다.
  • 다중 모드 궤적 예측: 각 객체에 대해 복수의 가능한 미래 궤적과 각 궤적의 확률을 출력한다. 교통 참여자의 행동이 본질적으로 다의적(Multi-Modal)이므로 다중 모드 예측이 보다 현실적이다.
  • 점유 확률 맵: 미래 시점에서 각 공간적 위치가 점유될 확률을 격자 맵으로 표현한다.

3. 연계 방식

3.1 순차적 연계 (Sequential Pipeline)

예측 모듈이 먼저 모든 객체의 미래 궤적을 독립적으로 예측한 후, 판단 모듈이 이 예측 결과를 입력으로 받아 궤적을 계획하는 방식이다.

\text{인지} \rightarrow \text{예측} \rightarrow \text{판단} \rightarrow \text{제어}

이 방식은 모듈 간 인터페이스가 명확하고 구현이 단순하나, 예측이 자차의 행동에 독립적으로 수행되므로 상호작용(Interaction)의 반영이 제한적이다. 자차가 양보하면 상대 차량이 진행하고, 자차가 진행하면 상대 차량이 양보하는 등의 조건부 행동이 반영되지 않는다.

3.2 반응적 예측 (Conditional/Reactive Prediction)

자차의 행동 계획에 따라 주변 객체의 예측을 조건부로 수행하는 방식이다. 자차가 특정 행동을 취했을 때 주변 객체가 어떻게 반응할지를 예측함으로써, 상호작용의 동적 특성을 반영한다.

\hat{\mathbf{o}}_k(t) = f(\mathbf{o}_k^{\text{past}}, \boldsymbol{\tau}_{\text{ego}})

여기서 \boldsymbol{\tau}_{\text{ego}}는 자차의 계획된 궤적이다.

3.3 공동 예측-판단 (Joint Prediction-Planning)

예측과 판단을 분리하지 않고, 모든 교통 참여자(자차 포함)의 미래 궤적을 동시에 최적화하는 방식이다. 상호작용을 가장 충실히 반영하나, 계산 복잡도가 높다. 게임 이론적 접근법이 이 범주에 해당한다.

3.4 통합 프레임워크

최근의 연구 동향은 예측과 판단을 단일 신경망 프레임워크에서 통합적으로 처리하는 방향으로 발전하고 있다. UniAD(Hu et al., 2023)는 예측과 판단을 트랜스포머 기반으로 통합하여, 예측 결과가 판단에 직접적으로 반영되고 판단의 목적이 예측의 학습을 가이드하는 양방향적 연계를 구현한다.

4. 예측 불확실성의 판단 반영

예측 결과에는 불가피한 불확실성이 존재하며, 판단 모듈은 이를 적절히 반영하여야 한다. 다중 모드 예측의 경우, 각 모드에 대해 최악의 경우(Worst Case)를 고려하는 보수적 접근법과, 확률 가중 비용(Probability-Weighted Cost)을 사용하는 확률적 접근법이 있다.

5. 참고 문헌

  • Hu, Y., Yang, J., Chen, L., Li, K., Sima, C., Zhu, X., … & Li, H. (2023). Planning-oriented autonomous driving. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 17853–17862.
  • Rhinehart, N., McAllister, R., Kitani, K., & Levine, S. (2019). PRECOG: Prediction conditioned on goals in visual multi-agent settings. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2821–2830.

v1.0