準確預測擁擠環境中的行人軌跡是自動駕駛和機器人導航的關鍵技術，但由於人體運動的多模態不確定性以及不同場景下運動動力學的複雜變化，這一任務仍然充滿挑戰。現有的目標條件模型往往採用靜態位移結構，對所有歷史時間步賦予相同權重，限制了模型對時間動態的捕捉能力。同時，標準圖注意力機制在處理行人間的非對稱互動時存在侷限，而固定容量的運動解碼器無法適應區域性預測的複雜度變化。為了解決這些問題，馬里蘭大學等機構的研究團隊提出了TSCA-Net，這是一個創新的軌跡預測框架，包含三個精心設計的互補模組。
第一個模組是時空團注意力（TSCA），它透過引入可學習的時間門控機制，在團結構的基礎上實現了目標與歷史資訊的時間感知互動。與傳統的均勻加權不同，TSCA模組能夠根據每個候選目標的重要性，動態調整歷史觀測的權重，從而更精確地捕捉時間序列中的關鍵資訊。第二個模組是跨行人團勢（CPCP），它構建了一個動態團勢框架，結合時變社交圖來建模行人之間的非對稱成對關係。這種設計考慮了行人之間相互作用的動態性和不對稱性，例如一個人可能對另一個人有更強的避讓意圖。第三個模組是自適應KAN網格細化（AKGR），它利用Kolmogorov-Arnold網路增強的LSTM解碼器，並根據每個智慧體目標分佈熵動態調整B樣條網格的解析度。這樣，模型可以在運動複雜度較高的區域增加表現力，而在簡單區域避免過擬合。
研究團隊在ETH/UCY和Stanford Drone Dataset（SDD）兩個標準基準上進行了廣泛實驗。結果顯示，TSCA-Net在ETH/UCY上取得了平均ADE（平均位移誤差）0.13米和平均FDE（最終位移誤差）0.20米的成績，在SDD上則達到了6.95畫素和10.43畫素的精度，均優於現有最先進方法。詳細的消融研究證實了三個模組的互補貢獻。該論文已被提交至IEEE國際資料探勘會議（ICDM 2026）的應用軌道。