Two Stage TransFusion Model for Intention Aware Trajectory Prediction = 의도인식기반경로예측을위한 이중 단계 TransFusion 모델

다국어 초록 (Multilingual Abstract)

Accurate trajectory prediction is crucial for safe autonomous driving in dense and uncertain urban environments, where multiple plausible future maneuvers must be anticipated rather than a single deterministic path. This study presents a dual stage framework that first learns the driver’ s intention and then uses it as guidance to produce diverse and accurate future paths. In the first stage, HD map and motion history are encoded into a continuous latent intention space using soft contrastive learning. Unlike methods that require discrete intent labels or predefined goal sets, our approach learns intentions in a self supervised manner, allowing similar future behaviors to cluster naturally without manual annotation. In the second stage, the inferred intention guides a diffusion based trajectory generator, which iteratively denoises sampled trajectories to produce diverse and probabilistic multi trajectory predictions. This diffusion module generates futures that better capture multi modal driving behavior and align with map constraints compared to decoder only baselines. Experiments on the Woven Toyota dataset show consistent improvements in minADE and minFDE, along with more realistic lane changes and turns. Ablation studies further confirm that both the intention learning and the diffusion generator are essential, as removing either component significantly reduces prediction accuracy.

국문 초록 (Abstract)

정확한 궤적 예측은 복잡하고 불확실성이 큰 도시 환경에서 안전한 자율주행을 위해 필수적이며, 단일한 결정론적 경로 대신 여러 개의 잠재적인 미래 동작을 동시에 고려해야 한다. 본 연구에서는 운전 의도를 먼저 학습하고, 이를 기반으로 다양한 미래 경로를 생성하는 이중 단계(Dual-Stage) 예측 프레임워크를 제안한다. 첫 번째 단계에서는 HD 지도 정보와 차량의 과거 움직임을 입력으로 받아, 소프트 대조 학습(soft contrastive learning)을 통해 연속적인 잠재 의도 공간(latent intention space)을 형성한다. 기존 기법과 달리, 본 방법은 이산적 의도 레이블이나 사전에 정의된 목표 집합 을 필요로 하지 않으며, 미래 행동의 유사성을 기반으로 자연스럽게 의도 클러스터가 형성되도록 하는 자기 지도 방식(self-supervised)으로 학습된다.
두 번째 단계에서는 이렇게 학습된 의도 표현을 확산 기반(difffusion-based) 궤적 생성기의 조 건으로 활용한다. 확산 모델은 노이즈가 추가된 샘플링된 궤적을 반복적으로 복원(denoise)함으로 써다양한미래가능성을반영한확률적다중궤적을생성한다. 이확산모듈은단일디코더기반 방식보다 다중 양상(multi-modal)의 주행 행동을 더 잘 포착하며, 생성된 궤적이 지도 구조와 환경 제약을 충실히 따르도록 한다. Woven Toyota 데이터셋을 활용한 실험 결과, 본 모델은 minADE 와 minFDE에서 일관된 성능 향상을 보였으며, 차선 변경이나 회전과 같은 실제 주행 패턴을 더 현실적으로 재현하였다. 또한 구성 요소 제거 실험(ablation study)을 통해 의도 학습과 확산 기반 생성기 모두가 필수적임을 확인하였으며, 어느 하나라도 제거할 경우 예측 정확도가 저하되는 것을 확인하였다.

목차 (Table of Contents)

• Abstract iv
• Table of Contents vi
• List of Figures viii
• Chapter
• 1 Introduction 1
• 1.1 Literature Survey 3
• 1.2 Contributions 6
• 2 Intention Representation Module for Learning a Continuous Driving Intent Space 8
• 2.1 Preliminary 8
• 2.2 Method 11
• 2.3 Experiments 15
• 2.4 Discussion 16
• 3 Intention-Conditioned Diffusion Module for Generating Diverse Future Trajectories 18
• 3.1 Preliminaries 18
• 3.2 Method 20
• 3.3 Experiments 24
• 3.4 Discusion 27
• 4 Ablation Studies 28
• 4.1 Trajectory Predictor without intention representation module 28
• 4.2 Transfusion without diffusion 29
• 4.3 Transfusion with single-trajectory 30
• 5 Conclusion 32
• References 34
• Abstract(inKorean) 39