纵向视图：基于傅里叶谱的分层网络用于轨迹预测

理解并预测智能体的未来运动轨迹对于行为分析、机器人导航、自动驾驶汽车及其他相关应用至关重要。以往的方法大多将轨迹预测视为时间序列生成问题。与此不同，本文从“垂直”视角研究智能体的轨迹，即在频域（spectral domain）中建模与预测轨迹。轨迹频谱中的不同频段可分层反映智能体在不同尺度下的运动偏好：低频部分表征其宏观运动趋势，高频部分则反映其细微的运动变化。基于此，本文提出一种分层网络结构——V²-Net，该网络包含两个子网络，用于基于轨迹频谱实现对智能体轨迹的分层建模与预测。其中，粗粒度关键点估计子网络首先在若干“关键”频率段上预测智能体轨迹的“最小”频谱；随后，细粒度频谱插值子网络对频谱进行插值，以重构最终的轨迹预测结果。实验结果表明，V²-Net在ETH-UCY基准数据集和Stanford Drone Dataset上均展现出良好的竞争力与优越性能。