궤적 예측은 인간의 행동을 모델링하는 데 있어 핵심적인 과제로, 사회 로봇과 자율주행 차량 내비게이션과 같은 안전성 요구가 치명적인 분야에서 특히 중요하다. 수작업 규칙에 기반한 전통적인 휴리스틱은 종종 정확도가 부족한 반면, 최근에 제안된 딥러닝 접근법은 계산 비용이 높고 추론 속도가 느리며 설명가능성이 결여되어 있고, 일반화 문제로 인해 이러한 환경에서의 실제 도입이 제한된다. 본 논문에서는 궤적 예측 휴리스틱을 자동으로 설계하기 위해 대규모 언어 모델(Large Language Models, LLMs)을 활용하는 프레임워크 TrajEvo를 소개한다. TrajEvo는 진화 알고리즘을 사용하여 과거 궤적 데이터로부터 예측 휴리스틱을 생성하고 이를 정교화한다. 우리는 집단 다양성을 촉진하기 위한 교차 세대 엘리트 샘플링(Cross-Generation Elite Sampling)과, LLM이 대안적 예측을 분석할 수 있도록 하는 통계 피드백 루프(Statistics Feedback Loop)를 제안한다. 평가 결과, TrajEvo는 다양한 실제 데이터셋에서 기존의 휴리스틱 방법을 능가하며, 특히 보지 못한 실제 데이터셋으로 일반화할 때는 휴리스틱과 딥러닝 방법 모두를 현저히 능가함을 보였다. TrajEvo는 빠르고, 설명가능하며, 일반화 가능한 궤적 예측 휴리스틱의 자동 설계를 향한 첫걸음에 해당한다. 우리는 향후 연구를 촉진하기 위해 소스 코드를 공개한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.