시나리오 전이 가능한 의미 그래프 기반 상호작용 인식 확률 예측

초록

**
본 논문은 의미와 도메인 지식을 활용해 정적·동적 환경을 통합적으로 표현하고, 이를 2D·3D 의미 그래프로 변환한 뒤 의미 그래프 네트워크(SGN)로 내부 구조 관계를 추론한다. 결과적으로 다양한 주행 상황에서 제로샷 전이성을 갖는 확률적 행동 예측을 구현한다.

**

상세 분석

**
이 연구는 자율주행 차량이 직면하는 복잡하고 변화하는 주행 환경을 ‘의미 기반’으로 통일화한다는 점에서 혁신적이다. 먼저 도메인 지식(교통 규칙, 도로 위상 제약)을 하드 어텐션 형태로 적용해 목표 차량과 직접적인 상관관계가 없는 객체를 사전에 필터링한다. 이렇게 정제된 정적(HD 지도)과 동적(주변 차량) 정보를 각각 별도의 파이프라인으로 추출해 ‘generic representation’이라 명명한다.

핵심 아이디어는 이러한 표현을 그래프 형태로 구조화하는데 있다. 2D‑SG는 공간적 관계(예: 차선, 교차로, 정지선)를, 3D‑SG는 시간 축을 포함한 의미 목표(예: “파란 차 앞에 끼어들기”, “정지선 뒤에 정차”)와 그에 따른 목표 상태(위치·도착 시간)를 노드와 엣지로 모델링한다. 기존 연구가 에이전트 중심의 트래젝터리나 지도 이미지를 직접 입력으로 사용한 반면, 본 논문은 ‘의미 목표’를 노드 속성에 내재시켜 입력·출력 모두가 의미 기반이 되도록 설계하였다.

SGN은 그래프 신경망(GNN)의 강력한 관계 유도 편향을 활용한다. 입력 2D‑SG를 통해 공간적 상호작용을 인코딩하고, 이를 3D‑SG로 전이시켜 시공간적 구조를 추론한다. 특히, 노드가 단일 에이전트가 아니라 의미 목표이므로, 하나의 목표 노드가 여러 동적 에이전트와의 관계를 동시에 포함한다. 이를 위해 다중 레이어의 메시지 패싱과 어텐션 메커니즘을 결합해 내부 관계를 정교히 학습한다.

이론적 분석에서는 SGN이 기존 GNN 대비 표현력(Expressive Power)이 높으며, 의미 목표를 명시적으로 모델링함으로써 다중 모달리티와 복합 상호작용을 효율적으로 캡처한다는 점을 증명한다. 실험에서는 복잡한 교차로·라운드어바웃·고속도로 시나리오에서 최신 베이스라인(CNN, LSTM, 기존 GNN 등)을 능가하는 정확도와, 제한된 학습 도메인만으로도 전혀 보지 못한 새로운 도메인에 바로 적용 가능한 제로샷 전이성을 입증한다.

결과적으로, 의미 기반 정규화와 도메인 지식 필터링을 통해 불필요한 정보량을 크게 감소시키고, 그래프 구조를 통한 관계 추론으로 복잡한 상호작용을 정량화한다는 점이 본 논문의 가장 큰 강점이다. 이는 향후 자율주행 시스템이 다양한 도로 환경에 빠르게 적응하고, 안전한 의사결정을 내리는 데 핵심적인 기술적 토대를 제공한다.

**