論文の概要: KoopCast: Trajectory Forecasting via Koopman Operators

• arxiv url: http://arxiv.org/abs/2509.15513v1
• Date: Fri, 19 Sep 2025 01:27:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.953429
• Title: KoopCast: Trajectory Forecasting via Koopman Operators
• Title（参考訳）: KoopCast: Koopman演算子による軌道予測
• Authors: Jungjin Lee, Jaeuk Shin, Gihwan Kim, Joonho Han, Insoon Yang,
• Abstract要約: 一般的な動的環境における軌跡予測のための軽量モデルKoopCastを提案する。 我々は、高次元空間に軌道を持ち上げることによって非線形力学の線型表現を可能にするクープマン作用素理論を用いる。 我々のモデルは,競争精度,(ii)クープマン理論に基づく解釈可能性,(iii)低遅延展開の3つの主要な利点を提供する。
• 参考スコア（独自算出の注目度）: 12.103961182264037
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present KoopCast, a lightweight yet efficient model for trajectory forecasting in general dynamic environments. Our approach leverages Koopman operator theory, which enables a linear representation of nonlinear dynamics by lifting trajectories into a higher-dimensional space. The framework follows a two-stage design: first, a probabilistic neural goal estimator predicts plausible long-term targets, specifying where to go; second, a Koopman operator-based refinement module incorporates intention and history into a nonlinear feature space, enabling linear prediction that dictates how to go. This dual structure not only ensures strong predictive accuracy but also inherits the favorable properties of linear operators while faithfully capturing nonlinear dynamics. As a result, our model offers three key advantages: (i) competitive accuracy, (ii) interpretability grounded in Koopman spectral theory, and (iii) low-latency deployment. We validate these benefits on ETH/UCY, the Waymo Open Motion Dataset, and nuScenes, which feature rich multi-agent interactions and map-constrained nonlinear motion. Across benchmarks, KoopCast consistently delivers high predictive accuracy together with mode-level interpretability and practical efficiency.
• Abstract（参考訳）: 一般的な動的環境における軌道予測のための軽量かつ効率的なモデルKoopCastを提案する。 この手法は、高次元空間に軌道を持ち上げることによって非線形力学の線形表現を可能にするクープマン作用素理論を利用する。 フレームワークは2段階の設計に従う: 確率的神経目標推定器は、どこに行くべきかを定め、可算的な長期目標を予測し、次に、クープマン演算子に基づく改良モジュールは、意図と履歴を非線形な特徴空間に組み込み、行方を指示する線形予測を可能にする。 この双対構造は強い予測精度を保証するだけでなく、非線形力学を忠実に捉えながら線形作用素の好ましい性質を継承する。 その結果、我々のモデルには3つの大きな利点がある。 (i)競争の正確さ (二)クープマンスペクトル理論に基づく解釈可能性、及び (iii)低レイテンシデプロイメント。 ETH/UCY, Waymo Open Motion Dataset, nuScenes でこれらの利点を検証する。 ベンチマーク全体を通じて、KoopCastは、モードレベルの解釈可能性と実用的な効率とともに、常に高い予測精度を提供する。

関連論文リスト

• Efficient Parametric SVD of Koopman Operator for Stochastic Dynamical Systems [35.207148596300684]
  クープマン作用素は非線形力学系を解析するための原理的なフレームワークを提供する。 VAMPnet と DPNet はクープマン作用素の主特異部分空間を学ぶために提案されている。 クープマン作用素のトップk特異関数をスケーラブルで概念的にシンプルに学習する手法を提案する。
  論文  参考訳（メタデータ） (2025-07-09T18:55:48Z)
• SKOLR: Structured Koopman Operator Linear RNN for Time-Series Forecasting [24.672521835707446]
  我々は、クープマン演算子近似と線形リカレントニューラルネットワーク(RNN)の接続を確立する。 本稿では、入力信号の学習可能なスペクトル分解を計測関数として多層パーセプトロン(MLP)と統合するSKOLRを提案する。 様々な予測ベンチマークと力学系に関する数値実験により、この合理化されたクープマン理論に基づく設計は例外的な性能をもたらすことが示された。
  論文  参考訳（メタデータ） (2025-06-17T02:11:06Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Mori-Zwanzig latent space Koopman closure for nonlinear autoencoder [0.0]
  本研究は、低次元空間におけるクープマン作用素を頑健に近似する、MZ-AE(Mori-Zwanzig autoencoder)と呼ばれる新しいアプローチを提案する。 提案手法は非線形オートエンコーダを用いて,有限不変なクープマン部分空間を近似するキーオブザーバブルを抽出する。 倉本・シヴァシンスキー(KS)の低次元近似を提供し、短期予測可能性と堅牢な長期統計性能を提供する。
  論文  参考訳（メタデータ） (2023-10-16T18:22:02Z)
• Towards Data-driven LQR with KoopmanizingFlows [8.133902705930327]
  本稿では,線形時間不変モデル(LTI)を連続時間非自律非線形力学のクラスで学習するための新しいフレームワークを提案する。 我々は、有意な持ち上げ座標を同時に学習しながら、制御において線形なクープマン作用素の有限表現を学習する。
  論文  参考訳（メタデータ） (2022-01-27T17:02:03Z)
• KoopmanizingFlows: Diffeomorphically Learning Stable Koopman Operators [7.447933533434023]
  本稿では,線形時間不変(LTI)モデルを構築するための新しいフレームワークを提案する。 事前に定義された関数のライブラリやスペクトルを知ることなく、クープマン作用素の特徴を学習する。 本稿では,LASA手書きデータセットにおける最先端手法と比較して,提案手法の優れた有効性を示す。
  論文  参考訳（メタデータ） (2021-12-08T02:40:40Z)
• Estimating Koopman operators for nonlinear dynamical systems: a nonparametric approach [77.77696851397539]
  Koopman演算子は非線形系の線形記述を可能にする数学的ツールである。 本稿では,その核となる部分を同一フレームワークのデュアルバージョンとして捉え,それらをカーネルフレームワークに組み込む。 カーネルメソッドとKoopman演算子との強力なリンクを確立し、Kernel関数を通じて後者を推定する。
  論文  参考訳（メタデータ） (2021-03-25T11:08:26Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。