在自主驾驶中，准确的轨迹预测依赖于对交通参与者之间动态和上下文相关交互的建模。然而，大多数现有方法纯粹依赖数据驱动，缺乏结构先验，这限制了它们在分布变化下的泛化能力。本文重新审视了交互建模，通过交通网络的结构和动态，提出了SWIFT（小世界交互框架），这是一个将小世界网络与交通流理论相结合的统一框架。
SWIFT通过小世界交互网络引入结构性归纳偏置，捕捉局部和全局依赖关系，同时使用流态编码器将交互结构适应于场景级交通状态。交互推理通过多关系图模块进一步增强，该模块明确编码直接和高阶代理关系。在nuScenes、MoCAD和NGSIM等三个真实世界数据集上的广泛实验表明，SWIFT在各种交通模式下的预测准确性上始终优于强基线。
除了准确性，SWIFT还表现出对未见位置和模式的改进泛化能力，在噪声观察下的鲁棒性，以及在有限训练数据下的强性能，支持其结构感知设计的有效性。
博主点评： SWIFT框架通过结合小世界网络和交通流理论，成功解决了自主驾驶领域中的轨迹预测问题。其结构感知的设计不仅提升了预测的准确性，还增强了模型在多变交通环境中的适应能力，展示了未来智能交通系统的广阔前景。