TSCA-Net：面向可解释多模态行人轨迹预测的时空团注意力网络

准确预测拥挤环境中的行人轨迹是自动驾驶和机器人导航的关键技术，但由于人体运动的多模态不确定性以及不同场景下运动动力学的复杂变化，这一任务仍然充满挑战。现有的目标条件模型往往采用静态位移结构，对所有历史时间步赋予相同权重，限制了模型对时间动态的捕捉能力。同时，标准图注意力机制在处理行人间的非对称交互时存在局限，而固定容量的运动解码器无法适应局部预测的复杂度变化。为了解决这些问题，马里兰大学等机构的研究团队提出了TSCA-Net，这是一个创新的轨迹预测框架，包含三个精心设计的互补模块。

第一个模块是时空团注意力（TSCA），它通过引入可学习的时间门控机制，在团结构的基础上实现了目标与历史信息的时间感知交互。与传统的均匀加权不同，TSCA模块能够根据每个候选目标的重要性，动态调整历史观测的权重，从而更精确地捕捉时间序列中的关键信息。第二个模块是跨行人团势（CPCP），它构建了一个动态团势框架，结合时变社交图来建模行人之间的非对称成对关系。这种设计考虑了行人之间相互作用的动态性和不对称性，例如一个人可能对另一个人有更强的避让意图。第三个模块是自适应KAN网格细化（AKGR），它利用Kolmogorov-Arnold网络增强的LSTM解码器，并根据每个智能体目标分布熵动态调整B样条网格的分辨率。这样，模型可以在运动复杂度较高的区域增加表现力，而在简单区域避免过拟合。

研究团队在ETH/UCY和Stanford Drone Dataset（SDD）两个标准基准上进行了广泛实验。结果显示，TSCA-Net在ETH/UCY上取得了平均ADE（平均位移误差）0.13米和平均FDE（最终位移误差）0.20米的成绩，在SDD上则达到了6.95像素和10.43像素的精度，均优于现有最先进方法。详细的消融研究证实了三个模块的互补贡献。该论文已被提交至IEEE国际数据挖掘会议（ICDM 2026）的应用轨道。