earticle

영어

The advent of level 4+ autonomous driving exposes the limitations of threshold-based reactive planning and underscores the necessity of predictive strategies to ensure safety and ride comfort. This paper presents a framework that proactively forecasts the trajectory of the front-side vehicle to enable anticipatory decision-making. Inter-vehicle interactions in the front-side view were modeled as a spatiotemporal graph, and a Temporal Graph Cross Attention (TGCA) module performed cross-frame attention to fuse temporal trajectory cues while integrating edge weights to emphasize contextually influential front-side vehicles selectively, thereby refining the estimates of their trajectories and maneuver intent. Evaluated on real-world front-side dashcam footage, the approach consistently outperforms representative graph-based and sequence-based predictors across key metrics. These findings suggest that a spatiotemporal cross-attention design for TGCA effectively captures the interaction patterns in natural traffic scenes, supporting a transition from threshold-based control to anticipatory driving decisions informed by predicted front-side vehicle maneuvers.

한국어

본 연구는 레벨 4+ 자율주행의 신뢰성과 승차감을 확보하기 위해, 임계값 중심의 반응적 계획 한계를 보완하고 전방 차량의 미래 궤적을 조기 예측해 선제적 주행 판단을 구현하는 프 레임워크를 제안한다. 제안하는 프레임워크는 전방 영상에서 차량 간 상호작용을 시공간 그래 프 구조로 표현한다. 시공간 그래프는 Temporal Graph Cross Attention(TGCA)을 통해 프레임 간 교차 어텐션으로 시간적 궤적 정보를 통합하고, 엣지 가중치를 반영해 문맥상 영향도가 큰 전 방 차량을 선택적으로 강조함으로써 전방 차량의 궤적과 기동 의도를 정교하게 추정한다. 실 제 도로에서 수집한 전방 영상 데이터로 검증한 결과, 다양한 그래프 기반 및 시계열 기반 예 측 모델 대비 주요 평가 지표에서 일관된 우위를 보였다. 이러한 성능은 시공간 정보를 통합한 TGCA의 교차 어텐션 설계가 실제 교통 장면의 상호작용 패턴을 효과적으로 반영한 결과이며, 나아가 임계값 중심의 제어에서 전방 차량 기동 예측 정보 기반 선제적 주행 판단으로의 전환 가능성을 제시한다.