自動運転システムにおいて、周囲の交通参加者の将来の軌道を正確に予測することは、安全な意思決定の基盤となる。しかし、既存の軌道予測手法のほとんどは純粋なデータ駆動型であり、交通相互作用の構造に関する事前知識が欠如しているため、分布シフトが発生するシナリオでは汎化性能が不十分である。上海交通大学などの研究機関に所属する研究者らは、スモールワールドネットワークと交通流理論を統合した統一フレームワークSWIFT（Small-World Interaction Framework for Trajectory Prediction）を提案し、軌道予測に構造的帰納バイアスを導入した。
SWIFTの核となる革新は、その構造認識設計にある。フレームワークは、スモールワールド相互作用ネットワーク（SWIN）とフロー状態エンコーダ（FRE）の2つの主要コンポーネントで構成される。スモールワールド相互作用ネットワークは、局所的および大域的な接続を持つスモールワールドグラフ構造を構築し、近距離の相互作用と遠距離の相互作用の両方を同時に捉える。フロー状態エンコーダは、シーンレベルの交通流状態（自由流、渋滞流など）に応じて相互作用グラフのトポロジーを動的に調整し、モデルがさまざまな交通シナリオに適応できるようにする。さらに、SWIFTは多関係グラフモジュールを導入し、エージェント間の直接的な関係（追従、車線変更など）と高次の関係（間接的な影響）を明示的に符号化することで、相互作用推論を強化する。
研究チームは、nuScenes、MoCAD、NGSIMの3つの大規模実世界データセットを用いてSWIFTを評価した。実験結果は、SWIFTがTrajectron++、DenseTNT、GOHOMEなどの最先端のベースライン手法を複数の評価指標で一貫して上回ることを示している。特に困難な交通状況では、SWIFTの予測誤差が5%から15%低減された。精度に加えて、SWIFTは優れた汎化能力を示した。ある都市のデータセットで訓練した後、未見の都市のデータでテストした場合、SWIFTの性能低下はベースラインモデルよりもはるかに小さかった。また、センサーノイズの影響や訓練データが限られている場合でも、SWIFTはロバストな性能を維持した。これは、構造事前知識がデータノイズを抑制する効果による。
本論文は、コンピュータビジョンとパターン認識のトップジャーナルであるIEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）に正式に採択された。論文著者はChengyue Wangら6名で、論文番号はarXiv:2607.09741である。SWIFTの設計思想は、交通領域の知識を統合することでモデルの汎化性とロバスト性を高めるという新たな視点を提供し、自動運転認識技術の実運用における信頼性向上に貢献することが期待される。