EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning

论文阅读: EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning

论文标题

EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning

论文来源

NIPS 2020, 论文PDF

论文代码

暂未开源

1 背景梳理

多智能体轨迹预测这一任务的目标是给定系统中不同种类物体的历史轨迹，预测出其未来的运动趋势。多智能体轨迹预测有着广阔的实际应用，如自主驾驶、移动机器人导航等。在多智能体系统中，一组智能体会相互作用，这些相互作用符合一定的认知先验或者物理学知识，进而在个体和整个多智能体系统的层次上产生一系列复杂的行为模式。在该任务中，由于没有任何关于潜在交互模式的知识，并且每个智能体通常有多种可能的模式，因此对这种动态进行建模并预测其未来行为是一个挑战。

为此，现有的工作也提出了一系列的解决方案，如social pooling[1], attention机制[2]，图神经传递等等[3]，这些工作通过信息聚合的方式隐式地建模了智能体间的交互关系。和以往工作不同，本文显式地对潜在交互图的结构进行推理，进而得到多种交互类型的关系结构，并且引入动态图的概念，能对多种交互类型的关系结构进行动态更新。

2 论文贡献

方法设计

(1) 本文提出了一种动态机制来随时间自适应地演化智能体交互图，该机制能够捕捉多个智能体之间交互模式的动态变化。本文还引入了一个双阶段训练流水线，不仅提高了训练效率，加快了收敛速度，而且在预测精度方面提高了模型性能。

(2) 本文的框架从多个方面捕捉了多智能体系统中未来轨迹的不确定性和多模态性。

实验效果

本文在物理仿真数据集和轨迹预测数据集验证了提出方法的可行性和高效性，取得了state-of-the-art的结果。

3 方法

问题定义

假设系统中有N个智能体，它们共有M种类别，不同的系统中智能体的数量存在区别。定义一系列智能体状态序列为${\mathbf{X}}_{1:T}=\left\{{\mathbf{x}}_{1:T}^i,T=T_h+T_f,i=1,\dots ,N\right\}$, 过往观察时长为$T_h$,未来预测时长为$T_f$，状态可以表示为2D坐标点：${\mathbf{x}}_i^t=(x_i^t,$