GroupNet：用于具关系推理轨迹预测的多尺度超图神经网络
计算机视觉与模式识别
2022-04-21 v2 机器学习
摘要
从多个智能体的历史轨迹中揭示其相互作用，对于精确且可解释的轨迹预测至关重要。然而，以往工作仅考虑成对交互，关系推理有限。为促进更全面的交互建模以实现关系推理，我们提出 GroupNet，一种多尺度超图神经网络，其在交互捕捉与表示学习两方面均具新颖性。在交互捕捉方面，我们提出可训练的多尺度超图，以在多种群体规模下捕捉成对与群体层面的交互。在交互表示学习方面，我们提出一种三元素格式，可端到端学习并显式推理若干关系因素，包括交互强度与类别。我们将 GroupNet 应用于基于 CVAE 的预测系统及以往最先进的预测系统，以预测具社会关系推理的合理轨迹。为验证关系推理能力，我们利用合成物理仿真实验来反映捕捉群体行为、推理交互强度与交互类别的能力。为验证预测有效性，我们在三个真实世界轨迹预测数据集（包括 NBA、SDD 和 ETH-UCY）上进行了广泛实验；结果表明，借助 GroupNet，基于 CVAE 的预测系统优于最先进方法。我们还表明，添加 GroupNet 会进一步提升以往最先进预测系统的性能。
引用
@article{arxiv.2204.08770,
title = {GroupNet: Multiscale Hypergraph Neural Networks for Trajectory Prediction with Relational Reasoning},
author = {Chenxin Xu and Maosen Li and Zhenyang Ni and Ya Zhang and Siheng Chen},
journal= {arXiv preprint arXiv:2204.08770},
year = {2022}
}
备注
Accepted by CVPR2022