混雑した環境における歩行者の軌跡予測は、人間の運動のマルチモーダルな不確実性と異なるシーン文脈での運動ダイナミクスの複雑性の変動性により、引き続き大きな課題となっています。既存の目標条件付きモデルは、すべての過去のタイムステップに等しい重みを割り当てる静的変位構造、標準的なグラフ注意機構、および局所的な予測複雑性に適応できない固定容量の運動デコーダに依存していました。 これらの制限を克服するため、研究者らはTSCA-Netという軌跡予測フレームワークを提案しました。このフレームワークは3つの相補的なモジュールで構成されています。まず、時空間クリーク注意（TSCA）モジュールは、クリークベースの目標履歴相互作用に学習可能な時間ゲーティングを導入し、各候補目標に対する過去の観測値の時間認識調整を可能にします。次に、交差歩行者クリーク可能性（CPCP）モジュールは、時間的に変動する社会グラフを備えた動的クリーク可能性フレームワークを通じて、非対称的な二者間エージェント関係をモデル化します。 最後に、適応KANグリッド改善（AKGR）機構は、エージェントごとの目標分布エントロピーに基づいて、Kolmogorov-Arnoldネットワーク拡張LSTMデコーダのB-スプライングリッド解像度を動的に調整し、モデルの表現力と様々な運動複雑性全体での過学習のバランスを取ります。ETH/UCYおよびStanford Droneデータセットベンチマークにおける広範な実験により、TSCA-Netは最先端の性能を達成し、ETH/UCYで平均ADE/FDEが0.13/0.20 m、SDDで6.95/10.43ピクセルを記録しました。包括的なアブレーション研究は、提案された3つのモジュールすべての相補的な貢献を確認しています。