動的エージェントの将来の行動を予測することは、自動運転をはじめとする多くのロボティクス応用において重要な課題である。この課題は、エージェントが潜在的な意図を有しており、その軌道が他のエージェント、自ら、および地図との間で生じる複雑な相互作用によって支配されるため、極めて困難である。本論文では、グラフ中心の運動予測モデルであるLaneRCNNを提案する。特に、特徴的に設計されたグラフエンコーダーを用いることで、各エージェントごとに局所的な道路グラフ表現（LaneRoI）を学習し、過去の運動および局所的な地図構造を効果的に表現する。さらに、共有されたグローバル道路グラフ内における局所グラフ表現間で効率的なメッセージ伝達を可能にする相互作用モジュールを構築した。また、予測出力の軌道を道路グラフに基づいてパラメータ化することで、より適切な予測パラメータ化を実現した。LaneRCNNは、エージェント間およびエージェントと地図との関係を分散的かつ地図を意識した形で捉える。本手法の有効性は、大規模なArgoverse運動予測ベンチマーク上で実証された。本研究はリーダーボードで1位を獲得し、従来の最良手法を大幅に上回る結果を達成した。