적을수록 더 많은 것: 자율주행을 위한 효율적인 뇌 영감을 받은 학습 경로 예측

주변 차량의 궤적을 정확하고 안전하게 예측하는 것은 완전한 자율주행(AD)을 실현하는 데 필수적입니다. 이 논문은 AD의 궤적 예측을 개선하기 위해 인간의 인지 과정을 모방하는 인간 유사 궤적 예측 모델(HLTP++)를 제시합니다. HLTP++는 새로운 교사-학생 지식 증류 프레임워크를 통합합니다. 적응형 시각 영역을 갖춘 '교사' 모델은 공간 방향, 근접성 및 주행 속도와 같은 요소에 따라 인간 운전자가 보이는 동적 주의 배분을 모방합니다. 반면 '학생' 모델은 실시간 상호작용과 인간 의사 결정을 중점적으로 다루어 인간 메모리 저장 메커니즘과 유사한 점을 보입니다. 또한, 우리는 새로운 푸리에 적응형 스파이크 신경망(FA-SNN)을 도입하여 모델의 효율성을 개선하고, 더 적은 매개변수로 더 빠르고 정밀한 예측을 할 수 있도록 합니다. NGSIM, HighD 및 MoCAD 벤치마크를 사용하여 평가한 결과, HLTP++는 기존 모델에 비해 우수한 성능을 보여 NGSIM 데이터셋에서는 11% 이상, HighD 데이터셋에서는 25%의 궤적 예측 오류를 감소시킵니다. 게다가, HLTP++는 불완전한 입력 데이터로 인한 도전적인 환경에서도 강한 적응력을 보여줍니다. 이는 완전한 AD 시스템으로 나아가는 여정에서 중요한 진전을 나타냅니다.