차량의 주행 경로(driving route)를 결정하기 위한 학습 방법에 있어서,복수의 차량들의 과거 주행 경로에 관한 제1 정보, 및 상기 복수의 차량들 중 주변 차량들의 미래 주행 경로에 관한 제2 정보에 기초하여, 제1 신경망(neural network)을 통해 제1 어텐션 계수(attention coefficient)를 생성하는 동작;상기 제1 정보 및 상기 제1 어텐션 계수에 기초하여, 제2 신경망을 통해 제2 어텐션 계수를 생성하는 동작; 및상기 제1 어텐션 계수, 및 상기 제2 어텐션 계수에 기초하여, 상기 제2 신경망을 학습시키는 동작을 포함하고,상기 어텐션 계수는,상기 주변 차량들이 상기 복수의 차량들 중 목표 차량의 주행 경로에 영향을 미치는 정도와 관련하여, 상기 주변 차량들 각각에 대해 설정된 가중치인, 학습 방법.

제1항에 있어서,상기 제1 신경망은,상기 목표 차량, 및 상기 주변 차량들 간의 상호작용을 예측하기 위한 것인, 학습 방법.

제1항에 있어서,상기 제2 신경망은,상기 목표 차량의 주행 경로를 예측하기 위한 것인, 학습 방법.

제1항에 있어서,상기 제1 어텐션 계수를 생성하는 동작은,상기 제1 정보를 인코딩(encoding)하여, 상기 제1 정보에 대응하는 제1 잠재 벡터(latent vector)를 생성하는 동작;상기 제2 정보를 인코딩하여, 상기 제2 정보에 대응하는 제2 잠재 벡터를 생성하는 동작;상기 제1 잠재 벡터, 및 제2 잠재 벡터를 멀티 임베딩(multi-embedding)하여, 임베딩 벡터(embedding vector)를 생성하는 동작; 및 상기 임베딩 벡터를 키(key) 및 밸류(value)로 사용하고, 상기 제1 잠재 벡터를 쿼리(query)로 사용하는 크로스 어텐션 레이어(cross attention layer)를 이용하여 상기 제1 어텐션 계수를 생성하는 동작을 포함하는, 학습 방법.

제1항에 있어서,상기 제2 어텐션 계수를 생성하는 동작은,상기 제1 정보를 인코딩하여, 상기 제1 정보에 대응하는 제1 잠재 벡터를 생성하는 동작;상기 제1 잠재 벡터에 기초하여, 상기 목표 차량이 주행 가능한 경로의 차선에 관한 정보를 추출하는 동작;상기 차선에 관한 정보에 상기 목표 차량의 주행 가능성에 관한 신뢰도 값(confidence value)을 할당하는 동작; 및상기 신뢰도 값이 할당된 정보에 기초하여, 제1 잠재 벡터를 업데이트하는 동작을 포함하는, 학습 방법.

제5항에 있어서,상기 제2 어텐션 계수를 생성하는 동작은,상기 제1 잠재 벡터를 쿼리 및 밸류로 사용하고, 업데이트된 제1 잠재 벡터를 키로 사용하는 크로스 어텐션 레이어를 이용하여 상기 제2 어텐션 계수를 생성하는 동작을 포함하는, 학습 방법.

제1항에 있어서,상기 제2 신경망을 학습시키는 동작은,상기 제1 신경망으로부터 지식 증류 방식으로(knowledge distillation) 상기 제2 신경망을 학습시키는 동작을 포함하는, 학습 방법.

제7항에 있어서,상기 제2 신경망을 학습시키는 동작은,상기 제1 어텐션 계수, 및 상기 제2 어텐션 계수에 기초하여, 증류 손실(distillation loss)을 계산하는 동작을 포함하는, 학습 방법.

제8항에 있어서,상기 제2 신경망을 학습시키는 동작은,상기 증류 손실에 기초하여, 상기 제1 어텐션 계수와 상기 제2 어텐션 계수 간의 차이가 최소가 되도록 종단간 방식으로(end-to-end) 상기 제2 신경망을 학습시키는 동작을 포함하는, 학습 방법.

차량의 주행 경로를 결정하기 위한 학습 장치에 있어서,인스트럭션들을 포함하는 메모리; 및상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고,상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는 복수의 동작들을 수행하고,상기 복수의 동작들은,복수의 차량들의 과거 주행 경로에 관한 제1 정보, 및 상기 차량들 중 주변 차량들의 미래 주행 경로에 관한 제2 정보에 기초하여, 제1 신경망(neural network)을 통해 제1 어텐션 계수(attention coefficient)를 생성하는 동작;상기 제1 정보 및 상기 제1 어텐션 계수에 기초하여, 제2 신경망을 통해 제2 어텐션 계수를 생성하는 동작; 및상기 제1 어텐션 계수, 및 상기 제2 어텐션 계수에 기초하여, 상기 제2 신경망을 학습시키는 동작을 포함하고,상기 어텐션 계수는,상기 주변 차량들이 상기 차량들 중 목표 차량의 주행 경로에 영향을 미치는 정도와 관련하여, 상기 주변 차량들 각각에 대해 설정된 가중치인, 학습 장치.

제10항에 있어서,상기 제1 신경망은,상기 목표 차량, 및 상기 주변 차량들 간의 상호작용을 예측하기 위한 것인, 학습 장치.

제10항에 있어서,상기 제2 신경망은,상기 목표 차량의 주행 경로를 예측하기 위한 것인, 학습 장치.

제10항에 있어서,상기 제1 어텐션 계수를 생성하는 동작은,상기 제1 정보를 인코딩(encoding)하여, 상기 제1 정보에 대응하는 제1 잠재 벡터(latent vector)를 생성하는 동작;상기 제2 정보를 인코딩하여, 상기 제2 정보에 대응하는 제2 잠재 벡터를 생성하는 동작;상기 제1 잠재 벡터, 및 제2 잠재 벡터를 멀티 임베딩(multi-embedding)하여, 임베딩 벡터(embedding vector)를 생성하는 동작; 및 상기 임베딩 벡터를 키(key) 및 밸류(value)로 사용하고, 상기 제1 잠재 벡터를 쿼리(query)로 사용하는 크로스 어텐션 레이어(cross attention layer)를 이용하여 상기 제1 어텐션 계수를 생성하는 동작을 포함하는, 학습 장치.

제10항에 있어서,상기 제2 어텐션 계수를 생성하는 동작은,상기 제1 정보를 인코딩하여, 상기 제1 정보에 대응하는 제1 잠재 벡터를 생성하는 동작;상기 제1 잠재 벡터에 기초하여, 상기 목표 차량이 주행 가능한 경로의 차선에 관한 정보를 추출하는 동작;상기 차선에 관한 정보에 상기 목표 차량의 주행 가능성에 관한 신뢰도 값(confidence value)을 할당하는 동작; 및상기 신뢰도 값이 할당된 정보에 기초하여, 제1 잠재 벡터를 업데이트하는 동작을 포함하는, 학습 장치.

제14항에 있어서,상기 제2 어텐션 계수를 생성하는 동작은,상기 제1 잠재 벡터를 쿼리 및 밸류로 사용하고, 업데이트된 제1 잠재 벡터를 키로 사용하는 크로스 어텐션 레이어를 이용하여 상기 제2 어텐션 계수를 생성하는 동작을 포함하는, 학습 장치.

제10항에 있어서,상기 제2 신경망을 학습시키는 동작은,상기 제1 신경망으로부터 지식 증류 방식으로(knowledge distillation) 상기 제2 신경망을 학습시키는 동작을 포함하는, 학습 장치.

제16항에 있어서,상기 제2 신경망을 학습시키는 동작은,상기 제1 어텐션 계수, 및 상기 제2 어텐션 계수에 기초하여, 증류 손실(distillation loss)을 계산하는 동작을 포함하는, 학습 장치.

제17항에 있어서,상기 제2 신경망을 학습시키는 동작은,상기 증류 손실에 기초하여, 상기 제1 어텐션 계수와 상기 제2 어텐션 계수 간의 차이가 최소가 되도록 종단간 방식으로(end-to-end) 상기 제2 신경망을 학습시키는 동작을 포함하는, 학습 장치.