面向交互动力系统深度状态空间模型的廉价确定性推断
机器学习
2023-05-04 v1 人工智能
机器学习
摘要
图神经网络常用于对交互动力系统建模，因为它们能优雅地扩展到具有变化且大量智能体的系统。尽管在确定性的交互系统方面已取得诸多进展，但对于随机系统的建模则更具挑战性，此类系统中人们关注获取未来轨迹的预测分布。现有方法要么因依赖蒙特卡洛采样而计算缓慢，要么做出简化假设使得预测分布为单峰。在本工作中，我们提出一种深度状态空间模型，其采用图神经网络以对底层交互动力系统建模。该预测分布为多峰且具有高斯混合模型的形式，其中各高斯分量的矩可通过确定性矩匹配规则计算。我们的矩匹配方案可用于无采样推断，与蒙特卡洛替代方案相比带来更高效且稳定的训练。此外，我们提出对高斯分量协方差矩阵的结构化近似，以扩展到具有许多智能体的系统。我们在两个具挑战性的自动驾驶数据集上对所提新框架进行基准测试，两者均证实了相比最先进方法的优势。我们进一步在精心设计的消融研究中展示各独立贡献的效用，并提供对所提协方差近似的详细运行时分析。最后，我们通过在未见场景上评估性能，实证展示了方法的泛化能力。
引用
@article{arxiv.2305.01773,
title = {Cheap and Deterministic Inference for Deep State-Space Models of Interacting Dynamical Systems},
author = {Andreas Look and Melih Kandemir and Barbara Rakitsch and Jan Peters},
journal= {arXiv preprint arXiv:2305.01773},
year = {2023}
}