View Vertically: Ein hierarchisches Netzwerk zur Trajektorienvorhersage über Fourier-Spektren

Das Verständnis und die Vorhersage zukünftiger Trajektorien von Agenten sind entscheidend für die Analyse von Verhalten, die Navigation von Robotern, autonome Fahrzeuge sowie weitere verwandte Anwendungen. Frühere Methoden behandeln die Trajektorienvorhersage hauptsächlich als Generierung zeitlicher Sequenzen. Im Gegensatz dazu untersucht diese Arbeit die Trajektorien von Agenten aus einer „vertikalen“ Perspektive, d. h. durch Modellierung und Vorhersage im Spektralbereich. Verschiedene Frequenzbänder im Trajektorienspektrum können hierarchisch die Bewegungspräferenzen von Agenten auf unterschiedlichen Skalen widerspiegeln. Die niedrigen Frequenzen repräsentieren dabei die groben Bewegungstendenzen, während die hohen Frequenzen feine Bewegungsvariationen darstellen. Dementsprechend schlagen wir ein hierarchisches Netzwerk, V$^2$-Net, vor, das aus zwei Teilnetzwerken besteht und die Trajektorien von Agenten hierarchisch mittels Spektralanalyse modelliert und vorhersagt. Das Subnetzwerk zur Schätzung von Grob-Schlüsselpunkten ermittelt zunächst die „minimalen“ Spektren der Trajektorien an mehreren „schlüsselhaften“ Frequenzbereichen. Anschließend interpoliert das Subnetzwerk zur Fein-Spektrum-Ausfüllung die Spektren, um die endgültigen Vorhersagen zu rekonstruieren. Experimentelle Ergebnisse zeigen die Wettbewerbsfähigkeit und Überlegenheit von V$^2$-Net sowohl auf dem ETH-UCY-Benchmark als auch auf dem Stanford Drone Dataset.