비신호 교차로 내 주행 궤적 예측 성능 개선을 위한 데이터 증강 기반 생성형 능동 학습 응용 연구
An Application Study of Generative Active Learning with Diffusion-based Data Augmentation for Trajectory Prediction at Unsignalized Intersections
- 주제(키워드) 데이터 증강 , 생성형 능동 학습
- 발행기관 아주대학교 일반대학원
- 지도교수 송봉섭
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 D.N.A.플러스융합학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036116
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 연구에서는 비신호 교차로 내 주행 궤적 예측 모델의 성능을 개선하기 위한 데이터 증강 및 생성형 능동 학습(generative active learning) 방법을 통합하였다. 실제 비신호 교차로 환경에서는 차량 간 상호작용과 복잡한 교통 흐름, 센서 기반 인프라 데이터의 불확실성으로 인해 기존 딥러닝 기반 궤적 예측 모델의 오차가 증가할 수 있다. 특히 실 도로 주행 데이터의 long-tail 시나리오로 인한 분포 불균형은 모델 성능 저하를 유발하기에, 이를 보완하기 위한 방법론이 필요하다. 먼저 실 도로 주행 데이터 분포의 한계점을 보완하기 위한 데이터 증강 방법을 제안한다. 모델 학습을 반복하는 과정에서 궤적 예측 모델의 오차가 크게 나타나는 위험 상황을 식별하고, 이를 시뮬레이션 기반 위험 데이터로 생성하여 학습 데이터셋에 증강한다. 이를 통해 실제 데이터에 존재하지 않거나 드물게 나타나는 위험 상황에 선제적으로 대응하기 위한 데이터 증강 및 학습 방법을 통한 궤적 예측 모델의 성능 향상을 목표로 한다. 다음은 비신호 교차로에서 궤적 예측 모델의 long-tail 문제 개선을 위한 생성형 능동 학습의 응용 연구를 제안한다. 기존의 단순 생성 방식이 아닌 예측 모델의 minADE 오차를 기반으로 학습된 tail-score 함수를 확산 모델의 역과정에 주입하는 tail-guided diffusion sampling 모듈을 추가함으로써, 모델이 취약한 tail sample 궤적을 증강한다. 이러한 접근을 통해 모델 구조의 추가적인 복잡성 없이 long-tail metric 개선을 위한 응용 방법을 제안한다.
more목차
1. 서론 1
1.1 연구 배경 1
1.2 연구 동향 2
1.3 문제 정의 7
2. 궤적 예측 네트워크 14
2.1 궤적 예측 네트워크 선정 15
2.2 궤적 예측 네트워크 평가 18
3. 복합 데이터셋 구성 20
3.1 교차로 데이터셋 선정 및 분석 21
3.2 가상 데이터 생성 26
4. 궤적 예측을 위한 생성형 능동 학습 36
4.1 학습 방법 선정 37
4.2 생성형 능동 학습 응용 연구 39
4.3 확산모델 기반 증강 데이터 생성 41
4.4 학습 및 평가 48
5. 결론 51
6. 참고 문헌 52
