我们提出了一套通用的声明式框架，用于在复杂动态环境中进行交互运动的预判推理。核心目标是构建可解释的时空心理模型，在语义层面上为底层运动计算提供启发式指导。框架采用混合、模块化、可扩展的设计，主要包括三部分：
- 使用 Answer Set Programming（ASP）描述交互运动轨迹的动力学规则，实现对多主体相互作用的形式化建模；
- 基于语义信息的预测机制，生成“分支轨迹未来”，即在不同可能的事件上下文中推演多条潜在路径；
- 引入能量驱动的优化模型，对生成的轨迹进行评估、排序和过滤，以保留最符合物理约束和任务目标的预判。
在实验中，我们将该框架应用于 Argoverse 2 基准，针对每条预测轨迹提供明确的、可检查的事件层级假设，而非传统端到端的随机预测。实验结果表明，结合 ASP 的语义约束和能量优化能够显著提升预测的可解释性和准确性。
点评