ロボットが人間と空間を共有して動作するためには，安全性を考慮した上で社会的に許容される移動をすることが求められる．特に車いすロボットのような利用者が存在する搭乗型ロボットには，これらに加えて移動効率や安心感など利用者の快適性を重視する必要がある．例えばロボットが人間とすれ違う際，一般的な自律移動型ロボットであれば安全性を考慮して大きく回避すれば良いが，搭乗型ロボットでそのような移動をすると移動効率が悪くなるため利用者にとっての快適性が低下してしまう．利用者の快適性を考慮した移動をするためには，周囲の人の動きを正しく認識して将来の移動を予測する必要がある．これまで多くの研究で，歩行者が他人や障害物を避ける際の移動を予測するモデルが提案されてきた．そのほとんどがパラメトリックモデルによってすれ違い方を表現している．だが，車いすロボットが運用される病院内では移動特性の異なる様々な移動手段が存在し，更に同一の移動手段であってもその人や状況に応じて多様なパターンのすれ違い方が観測される．これまでのパラメトリックモデルではすれ違いパターン毎に適切なパラメータを学習する必要があるため，このような複雑な問題を扱うことは難しい．多様なすれ違い方を予測するには，観測されたすれ違い時の軌跡データ群から様々なすれ違いパターンを学習する，事例ベースの予測手法が有効であることが知られている．そこで本研究では観測された軌跡データ群をクラスタリングすることですれ違い方の代表的なパターンを学習する手法を提案する．本稿では，すれ違う際の相対的な位置関係や移動速度といった特徴量ですれ違い方を表現し，対象の移動を予測する．提案手法の有効性を検証するために，車いすロボットと 4 種類の移動手段を用いた被験者がすれ違う実験を行った．その結果，提案手法で高精度な予測が得られることを確認した．