自動運転システムにおいて、周囲の車両や歩行者などの交通エージェントの将来の軌跡を正確に予測することは、安全で効率的な車両制御のために不可欠である。しかし、従来のほとんどのアプローチはデータ駆動型であり、構造的な事前知識が不足しているため、訓練データとは異なる分布のシナリオでの汎化性能が限定されるという課題がありました。 これに対し、研究チームは交通ネットワークの構造とダイナミクスに着目し、小世界ネットワークと交通流理論を統合した新しいフレームワーク「SWIFT（Small-World Interaction Framework for Trajectory prediction）」を提案しました。SWIFTは、局所的および大域的な依存関係を捉える小世界相互作用ネットワークと、シーン単位の交通状態に応じて相互作用構造を適応させるフロー体制エンコーダーを組み合わせた設計になっています。さらに、多関係グラフモジュールにより、エージェント間の直接的および高次の関係を明示的に符号化することで、相互作用推論をより強化しています。 nuScenes、MoCAD、NGSIMという3つの実世界データセットでの広範な実験評価の結果、SWIFTは多様な交通状況下において既存の強力なベースラインを上回る予測精度を実現しました。精度の向上に加えて、未知のロケーションや交通状況への汎化性能の向上、ノイズを含む観測データに対するロバスト性、限定的な訓練データでの強い性能など、構造認識設計の有効性を広く実証しています。