서론
이 논문을 쓰게 된 계기는 두 가지 난점이다. 첫째, DeTra는 공개 구현이 없어 재현하거나 확장하기 어렵다. 둘째, 문서화된 재구현이 있더라도 동적(이동 중인) 객체의 궤적 예측은 검출보다 여전히 훨씬 어렵다. 도시 LiDAR 장면에서는 정적 객체가 대부분을 차지해 전체 지표를 끌어올리고, 안전 측면에서 가장 중요한 이동 객체 예측의 부족을 가린다. 따라서 실용적인 목표는 추론 비용을 늘리거나 검출을 불안정하게 만들지 않으면서 동적 객체 예측을 개선하는 것이다.
우리는 DeTra가 직접적인 학습 신호로 사용하지 않는 정보에서 상호 보완적인 저비용 귀납적 편향을 도출한다. 각 객체의 과거 관측 궤적과 주변 교통의 공간 점유 정보는 미래 손실을 학습하는 데 사용되는 동일한 어노테이션에서 얻을 수 있다. 반면 객체의 진행 방향과 헤딩의 일치 여부는 모델 자체의 출력 사이에 존재하는 일관성 관계다. 우리는 각 신호를 학습 중에만 사용하는 보조 목적함수로 바꾸어 공유 BEV 표현을 형성하고, 추론 시에는 제거해 지연 시간을 그대로 유지한다. 이 목적함수들은 동일한 백본을 공유하므로 상호작용도 보정한다. 공유 트렁크에서 각 항의 그래디언트 노름을 측정하고, 이를 바탕으로 안정적인 보조 가중치를 선택하며 어떤 신호가 우세해지거나 그래디언트가 고갈되는지 분석한다.
이 논문의 핵심 기여는 다음과 같다.
우리는 MC-DeTra를 제안한다. MC-DeTra는 어노테이션에서 도출한 두 가지 보조 목적함수인 Past Reconstruction과 Occupancy Auxiliary, 그리고 보조 목적함수 집합의 일부로 연구한 경량 Heading Consistency 정규화 항을 그래디언트 노름 기반 손실 보정과 결합한 새로운 학습 방법론이다. 이 방법은 DeTra의 지도 학습에는 포함되지 않았던, 이미 캐시된 신호를 재사용하며 보조 목적함수들이 공유 백본에서 어떻게 경쟁하는지 진단한다.
모션 일관성 DeTra
MC-DeTra는 문서화된 DeTra 재구현을 기반으로 하며, 학습 중에만 적용되는 세 가지 보조 목적함수를 추가한다. 기본 아키텍처, 구현상의 차이, 목적함수와 보정 방법을 요약한다.
Occupancy Auxiliary
또한 미분 가능한 소프트 래스터화를 통해 디코딩된 각 궤적과 그 궤적이 함의하는 점유 정보를 연결하는 새로운 궤적–점유 일관성 항을 구현했다. 그래디언트 노름 분석 결과, 이 항은 안정적인 모든 가중치에서 그래디언트가 고갈된 상태였으므로, 보고된 모든 모델에서는 비활성화했으며 부정적인 결과로 다룬다.
Heading Consistency
이 제약은 예측을 헤딩 방향에 맞춰 망가뜨리는 방식으로 만족되지 않는다. 미래 웨이포인트는 지배적인 winner-takes-all Laplace 회귀에 의해 결정되므로, HC가 헤딩 일관성 목적함수의 예측 표현으로 전달하는 작은 가중치 그래디언트는 무시할 수 있을 정도로 작다. 실제로 이 항은 거의 전적으로 예측된 이동 방향에 맞춰 박스의 yaw를 회전시키는 방식으로 충족된다. 유한 차분으로 계산한 미래 헤딩에는 제약을 두지 않는다. 해당 헤딩은 자체 웨이포인트에 대해 퇴화되어 있기 때문이다.
논의
일반화 가능한 방법론적 교훈은 다음과 같다. 공유 백본을 사용하는 공동 모델에서는 개념적으로 중요한지 여부만이 아니라, 보조 목적함수가 트렁크에 기여하는 그래디언트 비율이 중요하다. 보고된 절제 실험 결과도 이를 뒷받침한다. Past Reconstruction과 Occupancy Auxiliary는 모두 성능을 높인 반면, Heading Consistency의 기여는 작고 지표에 따라 달랐다. 이는 Heading Consistency가 겉보기에는 작동하지 않는 이유를 그래디언트 고갈로 재해석하게 하며, 그래디언트가 고갈된 항에 가중치를 과도하게 부여해 헤드를 왜곡하기 전에 주의해야 함을 보여준다.
결론
우리는 근사 사항을 문서화한 공개 DeTra 재구현과 MC-DeTra를 제시했다. MC-DeTra는 Past Reconstruction, Occupancy Auxiliary, Heading Consistency라는 세 가지 학습 중에만 적용되고 추론에는 영향을 주지 않는 정규화 항과, 공유 백본에서 목적함수 간 경쟁을 보정하는 그래디언트 노름 기반 보정을 결합한다. 동적 컨트롤러는 수작업 조정과 비슷한 성능을 내지만 이를 능가하지는 못했다. 하나의 초기화에서 통제된 절제 실험을 수행한 결과, 보정된 전체 모델은 동적 minFDE, minADE, brier-minFDE에서 가장 높은 성능을 기록했으며, MR은 controller A가 가장 우수했다. 동시에 검출 성능도 유지했다. 그래디언트 노름 분석은 성능 향상의 원인을 보여준다. 점유 정보의 영향이 가장 컸고, 과거 궤적 복원은 완만한 개선을 이끌었으며, 헤딩 일관성은 지표에 따라 작은 조정 효과만을 제공했다. 향후 연구를 위해 코드, 설정 파일, 평가 도구를 공개한다.
저자들은 선언할 경쟁 이해관계가 없다.
자주 묻는 질문
MC-DeTra란 무엇인가? MC-DeTra는 Past Reconstruction, Occupancy Auxiliary, Heading Consistency 목적함수를 그래디언트 노름 기반 보정과 결합한 학습 방법론이다.
추론 시 보조 목적함수를 제거하는 이유는 무엇인가? 보조 목적함수는 학습 중 공유 bird’s-eye-view 표현을 형성하지만 학습 중에만 사용되므로, 추론 지연 시간은 변하지 않는다.
보고된 모델에서 Occupancy Auxiliary를 비활성화한 이유는 무엇인가? 그래디언트 노름 분석 결과, 안정적인 모든 가중치에서 그래디언트가 고갈된 상태였기 때문이다.
그래디언트 분석을 통해 무엇을 알 수 있었나? 점유 정보가 성능 향상을 주도했고, Past Reconstruction은 완만한 개선을 보였으며, Heading Consistency는 지표에 따라 작은 조정 효과를 제공했다.