Temperature informed Transformer Network Leveraging Turning Intent Estimation for Multi-Vehicle Trajectory Forecasting
- 주제(키워드) Trajectory Prediction , Transformer , Temperature Attention , Intent Prediction , Autonomous Driving
- 발행기관 아주대학교 일반대학원
- 지도교수 이상현
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 일반대학원 D.N.A.플러스융합학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036660
- 본문언어 영어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
Trajectory prediction at signalized intersections plays a crucial role in ensuring both safety and operational efficiency for autonomous driving systems in urban environments, where dynamic interactions among multiple vehicles and traffic signals are continuously observed. To tackle these challenges, this paper proposes a transformer-based trajectory prediction framework that incorporates vehicle motion dynamics through a temperature-adaptive attention mechanism. In particular, the proposed approach utilizes turning intent information to capture turning behaviors and subtle variations in driving intent, allowing the model to more effectively interpret motion tendencies in complex intersection scenarios with traffic signals. By dynamically adjusting attention responses according to vehicle motion characteristics, our method improves the understanding of agent intentions during trajectory forecasting. The proposed framework is evaluated on the SinD dataset using a 6-second observation horizon and a 6-second prediction horizon. Experimental results achieve an Average Displacement Error （ADE） of 0.05 and a Final Displacement Error （FDE） of 0.09. In addition, the model demonstrates competitive generalization performance on non-signalized datasets, including inD and RounD. These findings indicate that our approach can generate accurate and reliable trajectory predictions, particularly in complex urban intersection environments where understanding driving intent is essential. Keywords: Trajectory Prediction, Transformer, Temperature Attention, Intent Prediction, Autonomous Driving
more초록/요약
신호등이 존재하는 도시 교차로 환경에서의 궤적 예측은 자율주행 시스템의 안전성과 운영 효율성을 확보하기 위한 핵심 기술 중 하나이다. 특히 이러한 환경에서는 다수 차량 간의 복잡한 상호작용과 교통 신호 변화가 지속적으로 발생하기 때문에, 미래 주행 경로를 정확히 예측하는 것이 매우 중요하다. 이를 해결하기 위해 본 논문에서는 온도 기반 적응형 어텐션 메커니즘（temperature-adaptive attention mechanism）을 활용하여 차량의 운동 동역학 정보를 반영하는 Transformer 기반 궤적 예측 프레임워크를 제안한다. 제안하는 방법은 회전 의도 측정 정보를 활용하여 회전 및 선회 행동과 같은 차량의 주행 의도를 효과적으로 포착하며, 이를 통해 신호등이 존재하는 복잡한 교차로 환경에서 차량의 움직임 특성을 보다 정교하게 해석할 수 있도록 한다. 또한 차량의 운동 특성에 따라 어텐션 반응을 동적으로 조절함으로써, 궤적 예측 과정에서 차량 의도에 대한 이해 성능을 향상시킨다. 제안한 프레임워크는 SinD 데이터셋을 기반으로 6초 관측 구간과 6초 예측 구간 설정에서 평가되었다. 실험 결과 평균 변위 오차（Average Displacement Error, ADE）는 0.05, 최종 변위 오차（Final Displacement Error, FDE）는 0.09를 기록하였다. 또한 제안 모델은 신호등 정보가 존재하지 않는 inD 및 RounD 데이터셋에서도 우수한 일반화 성능을 보였다. 이러한 결과는 제안하는 방법이 차량 의도 이해가 중요한 복잡한 도시 교차로 환경에서 정확하고 신뢰성 있는 궤적 예측을 수행할 수 있음을 보여준다.
more목차
I. INTRODUCTION 1
II. Related Work 6
1. LSTM-based Models 6
2. Transformer and Attention based Models 6
3. Map informed Frameworks 7
III. METHODS 9
1. Problem Definition 10
2. Overall Framework 11
3. Encoding Module 12
A. Trajectory Encoder 13
B. State Encoder 13
C. Vehicle Encoder 14
D. Traffic Encoder 14
E. Agent Feature Fusion 15
4. Context Module 15
A. Turning Intent Estimated Rotational Motion Representation 16
B. Contextual Representation Generation 17
5. Temperature-guided Transformer Module 18
6. Generative Adversarial Learning Framework 21
IV. EXPERIMENTS 24
1. Dataset 24
A. Signalized Intersection Drone Dataset 24
B. Intersection Drone Dataset 25
C. Roundabout Drone Dataset 25
2. Experimental Setup 26
3. Evaluation Metrics 27
4. Results 29
A. Visualization 29
B. Comparison with State-of-the-Art Methods 32
C. Ablation Study 35
V. CONCLUSION 37
Bibliography 39
국문초록 44
