混雑環境における正確な歩行者軌道予測は、自動運転やロボットナビゲーションにとって重要ですが、人間の動きのマルチモーダルな不確実性や、異なるシーンコンテキストにわたる運動ダイナミクスの複雑さのために依然として困難です。既存の目標条件付きモデルは、すべての履歴タイムステップに等しい重みを与える静的変位構造、標準的なグラフ注意機構、そして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す。これらの制限に対処するため、メリーランド大学などの研究者らはTSCA-Netを提案しました。これは3つの補完的モジュールに基づく軌道予測フレームワークです。
最初のモジュールは時空間クリーク注意（TSCA）で、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履歴観測の時間認識変調を可能にします。従来の一様な重み付けとは異なり、各目標の重要性に応じて動的に調整されます。2番目のモジュールは歩行者間クリークポテンシャル（CPCP）で、動的クリークポテンシャルフレームワークと時変社会グラフを通じて非対称なペアワイズエージェント関係をモデル化します。これにより、歩行者間の相互作用の非対称性（例えば、ある人が別の人をより強く避ける）を捉えます。3番目のモジュールは適応KANグリッド精緻化（AKGR）で、各エージェントの目標分布エントロピーに基づいてKAN強化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、運動複雑性が高い領域では表現力を高め、単純な領域では過学習を防ぎます。
ETH/UCYおよびStanford Drone Dataset（SDD）ベンチマークでの広範な実験により、TSCA-Netは最先端の性能を達成しました。ETH/UCYでは平均ADE（平均変位誤差）0.13メートル、平均FDE（最終変位誤差）0.20メートル、SDDでは6.95ピクセル、10.43ピクセルを記録し、既存手法を上回りました。包括的なアブレーション研究により、3つのモジュールすべての相補的な貢献が確認されています。本論文はIEEE International Conference on Data Mining (ICDM) 2026のApplied Trackに提出されています。