对比与压缩：学习短轨迹的轻量级嵌入

准确且高效地检索语义和方向上相似的短程轨迹的能力，是运动预测和自主导航等下游应用的基础。然而，主流方法通常依赖于计算密集型的启发式方法或缺乏可解释性和可控性的潜在锚点表示。在本工作中，我们提出了一个学习短轨迹固定维度嵌入的新框架，该框架利用通过对比三元组损失训练的 Transformer 编码器，强调了判别性特征空间对轨迹数据的重要性。我们分析了对比学习范式中余弦和基于 FFT 的相似度指标的影响，重点关注捕捉表征短期机动的细微方向意图。我们在 Argoverse 2 数据集上的实证评估表明，由余弦相似度目标塑造的嵌入在语义和方向属性上均产生了更优的轨迹聚类，在检索任务中优于基于 FFT 的基线。值得注意的是，我们展示了紧凑的 Transformer 架构，即使使用低维嵌入（例如 16 维，甚至可低至 4 维），也能在检索性能（minADE、minFDE）与计算开销之间实现极具吸引力的平衡，符合实时系统对可扩展和可解释运动先验日益增长的需求。所得嵌入提供了轨迹数据的紧凑、语义明确且高效的表示，为启发式相似度度量提供了稳健的替代方案，并为更透明和可控的运动预测流程铺平了道路。