W maju 2025 roku w serwisie arXiv ukazała się praca prezentująca TrajPrism – wielozadaniowy benchmark służący do analizy trajektorii miejskich z wykorzystaniem osadzenia językowego. Autorzy proponują zestaw zadań, w których modele muszą jednocześnie przewidywać, generować oraz odpowiadać na pytania dotyczące przemieszczania się agentów w środowisku miejskim, opierając się na tekstowych opisach kontekstu.
W przeciwieństwie do wcześniejszych zbiorów danych, skupionych głównie na współrzędnych liczbowych i danych wizualnych, TrajPrism wprowadza wyraźny wymóg integracji języka naturalnego. Modele otrzymują nie tylko trajektorie, ale także opisy intencji, warunków drogowych czy czynników społecznych, co pozwala na testowanie zdolności systemów do powiązania wzorców czasoprzestrzennych z semantyką.
Metodologia benchmarku obejmuje cztery główne zadania: prognozowanie kolejnego odcinka trasy, generowanie trajektorii na podstawie zapytania tekstowego, odpowiedzi na pytania o przyczyny odchyleń oraz koordynację wieloagentową. Autorzy przedstawiają wyniki kilku modeli bazowych, jednak nie oferują wyczerpujących badań ablacyjnych, co pozostawia otwartą kwestię rzeczywistego wpływu poszczególnych komponentów na końcowy rezultat.
W porównaniu z wcześniejszymi pracami, takimi jak TrajNet++ czy Social-LSTM, nowy benchmark wyraźnie przesuwa akcent z czysto geometrycznego modelowania na interakcję multimodalną. Zbliża go to do podejść rozwijanych w dziedzinie ucieleśnionej sztucznej inteligencji (embodied AI), lecz jednocześnie ujawnia słabości obecnych architektur w przetwarzaniu długich kontekstów i niejawnych norm społecznych.
Szczególnie wymowne są wyniki w zadaniach generatywnych: modele często ignorują subtelne wskazówki językowe dotyczące preferencji pieszych lub ograniczeń czasowych, co świadczy o niewystarczającej głębokości osadzenia. Taki obraz skłania do refleksji, na ile obecne metody wstępnego trenowania rzeczywiście uczą łączenia języka z przestrzenią fizyczną, a na ile jedynie powielają korelacje statystyczne.
W szerszym kontekście TrajPrism podkreśla rosnące zapotrzebowanie na benchmarki sprawdzające nie tylko precyzję prognoz, ale także interpretowalność decyzji. Jest to szczególnie istotne w przypadku zastosowań w transporcie autonomicznym i planowaniu urbanistycznym, gdzie błędy w zrozumieniu intencji mogą mieć realne konsekwencje.
Jednocześnie niejasne pozostaje, w jakim stopniu wyniki uzyskane w syntetycznych lub ograniczonych scenariuszach miejskich przekładają się na rzeczywiste metropolie z ich chaotyczną dynamiką. Niezależna weryfikacja oraz rozszerzenie zbioru danych o nowe regiony będą kolejnym niezbędnym krokiem w celu potwierdzenia wartości zaproponowanego benchmarku.
Tym samym TrajPrism nie tylko wprowadza kolejny zbiór danych, ale zmusza społeczność naukową do ponownego przemyślenia, jakie konkretnie umiejętności są rzeczywiście wymagane od modeli do niezawodnej interakcji ze środowiskiem miejskim za pośrednictwem języka.
