本研究提出C$^{2}$INet方法，旨在解决多智能体轨迹预测中的环境偏差和灾难性遗忘问题。该方法通过变分推理对齐环境先验与后验估计，提升轨迹表示能力，增强对多样任务的适应性，并显著提高预测性能。

本文研究了Vision-and-Language Navigation模型中的环境偏差问题，发现底层视觉外观对代理模型有直接影响。通过使用较少底层视觉信息的语义表示形式，能够更好地推广到未见过的测试环境中。实验证明，这种探索性语义特征能够显著降低已看和未见之间的性能差距，并与最先进模型具有竞争力。