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( 三 )
我们在Figure2中展示了隐空间关系图演变过程以及粒子的运动轨迹 。 在上方的heatmap中 ， 颜色越深表示粒子间有边相连的概率越大 ， 从某一时刻起刚性杆（边）消失 ， 真实的变化时间用白色字体标出 。
从结果可以看出EvolveGraph可以及时准确地预测粒子关系的变化 。 从下方的粒子轨迹图中可以看出 ， EvolveGraph预测的轨迹与真实轨迹非常相似 ， 一定程度上也体现出动态关系推理的重要性 。
Figure3展示了粒子轨迹预测的误差比较 ， 可以看出随着预测时间的增长 ， EvolveGraph(dynamic)的优势越来越明显 。
文章图片
Figure2.隐空间关系图演变过程及粒子运动轨迹
文章图片
Figure3.粒子轨迹预测的误差比较
2.车辆与行人
我们也在交通场景的数据集上进行了实验 ， 并与最先进的模型如STGAT(ICCV2019) ， Social-STGCNN(CVPR2020),Trajectron++(ECCV2020)等进行了比较 ， 如Table2所示 。
文章图片
结果显示EvolveGraph可以达到最小的预测误差 ， 在长期预测(4s)中的提升更为显著 。 Figure4展示了两个典型的测试场景 ， 从预测的轨迹分布图中可以看出 ， 真实轨迹均位于预测分布中概率最高的区域 ， 并且预测分布具有多模态的特点 。
例如 ， 在(b-1)中 ， 位于下方的车既有可能继续保持在转盘道内行驶 ， 也有可能驶离转盘道 ， 我们的模型可以同时预测出两种不同的可能 ， 生成具有多模态的轨迹分布 。
文章图片
Figure4.车辆及行人轨迹图
四、总结与展望
本文主要关注的是基于动态关系推理的多智能体轨迹预测问题 ， 文中提出的算法框架具有一定的普适性 ， 可以扩展应用到多个不同领域 。 目前文中提到的系统均为个体数量相对较少的系统 ， 但该算法也具备扩展到大规模交互系统的潜力 ， 如复杂物理系统仿真 ， 大规模交通路网等 ， 这也得益于图神经网络的发展与应用 。
作者介绍：
李家琛 ， 加州大学伯克利分校(UCBerkeley)五年级博士生 ， 导师为Prof.MasayoshiTomizuka 。 他的研究方向包括机器学习 ， 图神经网络 ， 计算机视觉等方法 ， 以及它们在自动驾驶 ， 多智能体关系推理 ， 行为预测和决策规划等问题中的应用 。 本文的工作是在HondaResearchInstitute的实习期间完成的 。
更多信息请访问个人主页：
HomepageforJiachenLi
杨帆 ， 卡内基梅隆大学(CarnegieMellonUniversity)机器人研究所一年级硕士生 ， 清华大学本科2020年毕业 ， 2019年曾在UCBerkeley交换 。 他的研究方向包括机器人抓取 ， 强化学习 ， 策略迁移 ， 鲁棒控制等 。
更多信息请访问个人主页：
https://sites.google.com/view/fanyang98/home-page
文章图片
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