У травні 2025 року на arXiv з’явилася робота, що представляє TrajPrism — багатоцільовий бенчмарк для розуміння міських траєкторій із мовним заземленням. Автори пропонують набір завдань, де моделі мають одночасно передбачати, генерувати та відповідати на запитання щодо переміщень агентів у міському середовищі, спираючись на текстові описи контексту.
На відміну від попередніх датасетів, зосереджених переважно на числових координатах та візуальних даних, TrajPrism запроваджує чітку вимогу щодо інтеграції природної мови. Моделі отримують не лише траєкторії, а й описи намірів, дорожніх умов чи соціальних факторів, що дозволяє протестувати здатність систем пов’язувати просторово-часові патерни із семантикою.
Методологія бенчмарку включає чотири основні завдання: прогнозування наступного сегмента шляху, генерацію траєкторії за текстовим запитом, відповіді на запитання про причини відхилень та мультиагентну координацію. Автори повідомляють про результати кількох базових моделей, однак не надають вичерпних абляційних досліджень, що залишає відкритим питання про внесок окремих компонентів.
Порівняно з більш ранніми роботами, такими як TrajNet++ або Social-LSTM, новий бенчмарк помітно зміщує акцент із суто геометричного моделювання на мультимодальну взаємодію. Це наближає його до підходів, що розвиваються в галузі embodied AI, але водночас виявляє слабкості сучасних архітектур при обробці довгих контекстів та неявних соціальних норм.
Особливо показовими є результати в завданнях генерації: моделі часто ігнорують тонкі мовні вказівки на вподобання пішоходів або часові обмеження, що свідчить про недостатню глибину заземлення. Така картина змушує замислитися, наскільки наявні методи попереднього навчання дійсно вчать пов’язувати мову з фізичним простором, а не просто відтворюють статистичні кореляції.
У ширшому контексті TrajPrism підкреслює зростаючу потребу в бенчмарках, які перевіряють не лише точність передбачень, а й інтерпретованість рішень. Це особливо важливо для застосунків в автономному транспорті та міському плануванні, де помилки в розумінні намірів можуть мати реальні наслідки.
Водночас залишається незрозумілим, наскільки результати на синтетичних або обмежених міських сценаріях переносяться на реальні мегаполіси з їхньою хаотичною динамікою. Незалежні перевірки та розширення датасету на нові регіони стануть наступним необхідним кроком для підтвердження цінності запропонованого бенчмарку.
Таким чином, TrajPrism не просто додає ще один датасет, а змушує спільноту переглянути, які саме здібності насправді потрібні моделям для надійної взаємодії з міським середовищем за допомогою мови.
