SWIFT：用於自動駕駛中流感知軌跡預測的小世界交互框架

自動駕駛系統需要對周圍交通參與者的未來軌跡進行準確預測，這是安全決策的基礎。然而，現有的軌跡預測方法大多基於純數據驅動模型，缺乏對交通交互結構的先驗知識，導致在分佈偏移場景下泛化能力不足。來自上海交通大學等機構的研究人員提出了一種名為SWIFT（Small-World Interaction Framework for Trajectory Prediction）的統一框架，將小世界網絡與交通流理論相結合，為軌跡預測引入了結構歸納偏置。

SWIFT的核心創新在於其結構感知設計。它包含兩個關鍵組件：小世界交互網絡（SWIN）和流狀態編碼器（FRE）。小世界交互網絡通過構建具有局部和全局連接的小世界圖結構，同時捕獲交通參與者之間的近距離依賴和遠距離交互。流狀態編碼器則根據場景級別的交通流狀態（如自由流、擁堵流等）動態調整交互圖的拓撲結構，使模型能夠適應不同的交通場景。此外，SWIFT還引入了一個多關係圖模塊，顯式編碼智能體之間的直接關係（如跟馳、換道）以及高階關係（如間接影響），進一步增強了交互推理能力。

研究團隊在三個大規模真實世界數據集上對SWIFT進行了評估：nuScenes、MoCAD和NGSIM。實驗結果表明，SWIFT在多個評價指標上一致優於當前最先進的基線方法，包括Trajectron++、DenseTNT和GOHOME等。特別是在具有挑戰性的交通狀況下，SWIFT的預測誤差降低了5%到15%。除了準確性，SWIFT還展現出更強的泛化能力：當在某個城市的數據集上訓練後，在未見過的城市數據上測試時，SWIFT的性能下降幅度遠小於基線模型。此外，在傳感器噪聲干擾或訓練數據有限的情況下，SWIFT依然保持了魯棒的性能，這得益於其結構先驗對數據噪聲的抑制作用。

該論文已被計算機視覺與模式識別領域的頂級期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）正式接收。論文作者包括Chengyue Wang等六位研究人員，論文編號為arXiv:2607.09741。SWIFT的設計思路為自動駕駛中的交互建模提供了一個新的視角，即通過融入交通領域知識來增強模型的泛化能力和魯棒性，有望推動自動駕駛感知技術在實際部署中的可靠性提升。