Social Pooling and Cross Attention-Based Transformer Model for Pedestrian Trajectory Prediction in Urban Back Streets

이면도로에서는 보행자 궤적이 차량·개인형 이동장치(personal mobility)•다른 보행자와의 복잡한 상호작용에 크게 좌우된다. 본 연구는 이러한 상호작용이 주도하는 궤적을 포착하기 위해, 트랜스포머(transformer) 기반 인코더에 격자형 소셜 풀링(social pooling)과 적응적 크로스 어텐션(adaptive cross attention)을 결합한 하이브리드 궤적 예측 모델을 제안한다. 제안된 구조는 공간·시간·사회적 맥락을 통합적으로 모델링한다. 모델 성능 평가는 대한민국 안양시 이면도로에서 수집한 실세계 CCTV 궤적 데이터로 수행되었으며, 제안 모델은 기존 LSTM 및 GNN 계열 모델 대비 평균변위오차(average displacement error)와 최종변위오차 (final displacement error)에서 최대 약 60% 향상된 성능을 보여, 보다 정밀하고 안정적인 궤적 예측 가능성을 입증하였다. 또한 구성 요소 검증 실험 결과 social pooling 또는 cross attention을 제거하면 성능이 저하되어, 두 모듈이 상보적인 역할을 함을 확인하였다. 이는 어텐션 기반 시간 인코딩과 구조화된 사회적 상호작용 모델링을 결합하는 것이 다중 이동체가 혼재하는 이면도로 환경에서 효과적임을 시사한다.