적응형 메타 학습을 통한 행동 예측의 배포 범위 확장

학습 기반 행동 예측 방법은 점점 더 실제 자율 시스템, 예를 들어 자율 주행 차량의 대규모 집단에 배포되고 있으며, 이들은 세계 주요 도시에서 상업적으로 운영되기 시작하고 있습니다. 그러나 이러한 발전에도 불구하고, 대다수의 예측 시스템은 잘 알려진 지리적 지역 또는 운영 설계 분야에 특화되어 있어 추가적인 도시, 국가 또는 대륙으로의 배포가 복잡해지고 있습니다. 이를 위해 우리는 새로운 환경에 행동 예측 모델을 효율적으로 조정하는 방법을 제시합니다. 우리의 접근법은 최근 메타 학습의 발전, 특히 베이지안 회귀를 활용하여 기존의 행동 예측 모델에 오프라인 미세 조정, 온라인 적응 또는 둘 다를 통한 효율적인 도메인 전환을 가능하게 하는 적응형 레이어를 추가합니다. 여러 실제 데이터세트를 통한 실험 결과, 우리의 방법이 관찰되지 않은 다양한 환경에 효율적으로 적응할 수 있음을 보여줍니다.