自動運転システムにおいて、レーン変更や速度制御といった高次レベルの意思決定を学習ベースで実現することは、交通流の変化に伴う可変サイズの入力に対応する必要があるため、極めて重要な課題です。従来、DeepSetおよびその派生モデルが共有エンコーダ型アプローチの最先端技術として位置付けられていましたが、これらは交通参加者間の相互作用を明示的にモデル化していないため、交差点のような複雑な交渉シーンでの性能が限定的でした。 一方、注意機構（アテンション）ベースの手法は静止および動的エージェント間の相互作用を効果的に捉えられる利点がありますが、二次的な計算量とメモリ消費が課題となり、表現の粒度についても制御が困難でした。本研究は、Perceiver IOのアテンション・ベースアーキテクチャに着想を得て、DecisionPerceiverという新しいアーキテクチャを提案しています。このモデルは動的エージェントの特徴量を固定サイズの潜在空間に射影し、潜在クエリの数によって特徴量の粒度を調節することで、スケーラビリティを大幅に改善しました。 さらに、相互作用認識の性能向上を図るため、行動セットのより細かい離散化も提案されています。3つの異なる運転シーン（異なるレベルの相互作用認識が必要）での広範な評価により、DecisionPerceiverは一貫した性能向上を示し、様々なナビゲーション目的に対する汎化性能も実証されました。加えて、車両数を段階的に増加させたシナリオでの評価により、提案手法のスケーラビリティも確認されています。