KoopCast：基于 Koopman 算子的数据轨迹预测
机器学习
2025-09-22 v1 机器人学
系统与控制
系统与控制
摘要
我们提出 KoopCast，一个轻量且高效的轨迹预测模型，用于一般动态环境。该方法利用 Koopman 算子理论，通过将轨迹提升到高维空间来实现非线性动力学的线性表示。该框架采用两阶段设计：首先，一个概率性神经目标估计器预测一组可行的长期目标，指定去向；其次，一个基于 Koopman 算子的数据细化模块将意图和历史纳入非线性特征空间，实现线性预测以决定如何前进。这种双重结构不仅确保了强大的预测准确性，还继承了线性算子具有的优良特性，同时忠实地捕获非线性动力学。因此，我们的模型具有三个关键优势：(i) 竞争性的准确性，(ii) 基于 Koopman 谱理论的可解释性，以及 (iii) 低延迟部署。我们在 ETH/UCY、Waymo Open Motion Dataset 和 nuScenes 上对这些优势进行了验证，这些数据集具有丰富的多智能体相互作用和受地图约束的非线性运动。在各类基准测试中，KoopCast 持续提供高预测准确性，同时实现模式级可解释性和实际效率。
关键词
引用
@article{arxiv.2509.15513,
title = {KoopCast: Trajectory Forecasting via Koopman Operators},
author = {Jungjin Lee and Jaeuk Shin and Gihwan Kim and Joonho Han and Insoon Yang},
journal= {arXiv preprint arXiv:2509.15513},
year = {2025}
}