自动驾驶系统需要对周围交通参与者的未来轨迹进行准确预测，这是安全决策的基础。然而，现有的轨迹预测方法大多基于纯数据驱动模型，缺乏对交通交互结构的先验知识，导致在分布偏移场景下泛化能力不足。来自上海交通大学等机构的研究人员提出了一种名为SWIFT（Small-World Interaction Framework for Trajectory Prediction）的统一框架，将小世界网络与交通流理论相结合，为轨迹预测引入了结构归纳偏置。
SWIFT的核心创新在于其结构感知设计。它包含两个关键组件：小世界交互网络（SWIN）和流状态编码器（FRE）。小世界交互网络通过构建具有局部和全局连接的小世界图结构，同时捕获交通参与者之间的近距离依赖和远距离交互。流状态编码器则根据场景级别的交通流状态（如自由流、拥堵流等）动态调整交互图的拓扑结构，使模型能够适应不同的交通场景。此外，SWIFT还引入了一个多关系图模块，显式编码智能体之间的直接关系（如跟驰、换道）以及高阶关系（如间接影响），进一步增强了交互推理能力。
研究团队在三个大规模真实世界数据集上对SWIFT进行了评估：nuScenes、MoCAD和NGSIM。实验结果表明，SWIFT在多个评价指标上一致优于当前最先进的基线方法，包括Trajectron++、DenseTNT和GOHOME等。特别是在具有挑战性的交通状况下，SWIFT的预测误差降低了5%到15%。除了准确性，SWIFT还展现出更强的泛化能力：当在某个城市的数据集上训练后，在未见过的城市数据上测试时，SWIFT的性能下降幅度远小于基线模型。此外，在传感器噪声干扰或训练数据有限的情况下，SWIFT依然保持了鲁棒的性能，这得益于其结构先验对数据噪声的抑制作用。
该论文已被计算机视觉与模式识别领域的顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）正式接收。论文作者包括Chengyue Wang等六位研究人员，论文编号为arXiv:2607.09741。SWIFT的设计思路为自动驾驶中的交互建模提供了一个新的视角，即通过融入交通领域知识来增强模型的泛化能力和鲁棒性，有望推动自动驾驶感知技术在实际部署中的可靠性提升。