FoSS：基于傅里叶状态空间集成进行轨迹预测中的长程依赖建模与多模态不确定性建模
计算机视觉与模式识别
2026-03-03 v1
摘要
准确的轨迹预测对安全的自动驾驶至关重要，但现有方法在建模能力与计算效率之间难以取得平衡。基于注意力机制的架构在代理数量增加时会产生二次复杂度，而循环模型则难以捕捉长程依赖和细粒度的局部动力学。基于此，我们提出了FoSS，一个双分支框架，将频域推理与线性时间序列建模统一。频域分支执行离散傅里叶变换，将轨迹分解为编码全局意图的幅值分量和捕捉局部变化的相位分量，随后通过保持谱系秩序的螺旋重排序模块；两个选择性状态空间子模块，Coarse2Fine-SSM 和 SpecEvolve-SSM，以 O(N) 复杂度细化谱系特征。并行地，时域动态选择性SSM在线性时间内重建自注意力行为，以保留长程时序上下文。跨注意力层融合时序与谱表示，while 可学习的查询生成多个候选轨迹，加权融合头表达运动不确定性。在Argoverse 1 和 Argoverse 2基准测试上，FoSS实现了最先进的准确性，同时将计算减少22.5%，参数减少超过40%。全面的消融实验确认了每个组件的必要性。
引用
@article{arxiv.2603.01284,
title = {FoSS: Modeling Long Range Dependencies and Multimodal Uncertainty in Trajectory Prediction via Fourier State Space Integration},
author = {Yizhou Huang and Gengze Jiang and Yihua Cheng and Kezhi Wang},
journal= {arXiv preprint arXiv:2603.01284},
year = {2026}
}
备注
Accepted by CVPR 2026