数码小王|伯克利新工作：基于动态关系推理的多智能体轨迹预测问题
文章图片
作者：加州大学伯克利分校在读博士生李家琛卡内基梅隆大学在读硕士生杨帆
NeurlPS2020工作分享火热报名中！
投稿方式：
①点击文末“阅读原文”
②在公众号后台回复“投稿”查看详情
本文将分享来自UCBerkeley的工作：基于动态关系推理的多智能体轨迹预测问题 。
多智能体交互系统在生活中随处可见 ， 从纯物理学系统到复杂的社交网络都可以被囊括其中 。 在许多应用领域 ， 对环境情况的有效理解以及对交互中个体行为与轨迹的准确预测起着至关重要的作用 。
本文提出了一种通用的用于多智能体轨迹预测的算法 ， 可以显式地对个体间的动态交互关系进行有效地识别并基于此进行多模态的长期预测 。 研究人员用多个不同领域的数据集对模型进行了测试 ， 并在与目前最先进的算法的比较中取得了最优的效果 。
文章图片
论文链接：
[2003.13924]EvolveGraph:Multi-AgentTrajectoryPredictionwithDynamicRelationalReasoning
项目链接:
「链接」
轨迹预测最新论文 ， 代码及数据集集锦：
GitHub-jiachenli94/Awesome-Interaction-aware-Trajectory-Prediction:Aselectionofstate-of-the-artresearchmaterialsontrajectoryprediction
一、背景与挑战
复杂的多智能体交互系统在我们的生活中是十分常见的 ， 例如多粒子交互的物理系统 ， 日常交通中车辆与行人 ， 球场上处于合作或对抗关系中的球员等 。 在这些场景中 ， 对于其中每个个体未来轨迹的准确预测经常起着至关重要的作用 。
这类系统的特点之一是每个个体之间会存在多种多样的关系 ， 并且这些关系也会随着时间不断地演变 。 另外 ， 每个个体的未来运动轨迹很可能存在着多模态的特点——即不同种类的未来运动轨迹 ， 例如一辆车在交叉路口可能直行也可能转弯 。 忽略关系推理的传统轨迹预测方法难以在如此复杂系统之上取得很好的效果 。
针对此问题 ， ThomasKipf等人在《Neuralrelationalinferenceforinteractingsystems》一文中提出了一种基于图神经网络的模型对关系进行推断（以下简称NRI模型） ， 并基于这种推断进行对未来轨迹的预测 。 但他们的算法难以应对不断演变的关系 ， 尤其是关系突然改变的情况 ， 同时也无法处理智能体行为存在多模态的情况 ， 然而上述两点在诸如自动驾驶等问题中十分关键 。
【数码小王|伯克利新工作：基于动态关系推理的多智能体轨迹预测问题】我们提出了一种名为EvolveGraph动态演化关系图的算法 ， 能够有效地捕捉和预测多个智能体之间关系的变化 ， 并且根据此关系预测未来的运动轨迹 ， 同时能有效体现物体轨迹的多模态特点 。 我们在物理系统、自动驾驶场景、篮球运动员及行人数据集上验证了我们的算法 ， 并且取得了比现有的最先进的算法更好的效果 。
二、EvolveGraph算法框架
我们采用图结构表示多智能体系统 ， 构建了全连接观测图(observationgraph)并使用图中的节点和边的属性(node/edgeattribute)来表征观测到的信息 。 基于观测图 ， 我们在隐空间(latentspace)中学习关系图(interactiongraph)来表征针对每对智能体之间关系的推断 。
算法主要分为三部分 ， 静态关系推断（staticinteractiongraphencoding） ， 动态关系演变（interactiongraphevolution）以及基于推断关系的轨迹预测(decoding) ， 如Figure1所示 。
文章图片
Figure1.EvolveGraph概要模型图
1.静态关系推断
观测图包含对应每个智能体的节点和一个环境节点 ， 每个节点之间全连接表示他们之间可能存在关系 。
推荐阅读
- 疫情重创触底反弹 2020年度数码复合ZDC报告
- 王者新声，潮玩探乐！猫王小王子OTR x鲁班七号联名潮玩音箱开启预售
- 小米11最新渲染图曝光：曲面设计，机身长这样
- 抢购 | 科物酷圣诞AI识别双语播报科教儿童数码照相机
- 京东电脑数码这份榜单厉害了！年度最受欢迎C2M产品全在这了
- 四个超实用的数码冷知识，你知道几个？
- 我的第一个数码产品：HTC 8X 和我和它的故事
- 数码技术篇：如何开通国行Apple Watch心电图功能
- 数码产品选购攻略，这样买不吃亏不上当
- 火了整个2020年，这个不起眼的数码黑科技出现后，一切都变了