面向可扩展长期多智能体运动预测的物理信息神经受控微分方程
机器人学
2025-10-02 v1 人工智能
机器学习
多智能体系统
摘要
多机器人长期运动预测因智能体间的非线性相互作用、预测误差的叠加以及动态的连续时间演化而具有挑战性。此类系统的学习动力学在各种应用中都有用处，如旅行时间预测、预测导向规划和生成式仿真。在本工作中，我们旨在开发一个以多智能体目标为条件的高效轨迹预测模型。受近期在部分已知动力学系统中成功的物理引导深度学习启发，我们基于神经受控微分方程（CDE）开发模型，用于长期运动预测。不同于离散时间方法（如RNN和transformer），神经CDE在连续时间上运行，允许我们结合物理信息约束和偏置共同建模多机器人动力学。我们的方法称为 PINCoDE（Physics-Informed Neural Controlled Differential Equations），学习可用于预测从初始条件开始的多智能体系统轨迹的微分方程参数。PINCoDE以未来目标为条件，并在扩展时间段内对机器人运动强制执行物理约束。我们采用一种可将模型从10个机器人扩展到100个机器人且无需额外模型参数的策略，同时为1分钟时段的预测产生平均ADE低于0.5米的结果。此外，针对PINCoDE模型的渐进式训练结合课程学习，结果在4分钟时段的预测姿态误差比解析模型降低2.7倍。
引用
@article{arxiv.2510.00401,
title = {Physics-Informed Neural Controlled Differential Equations for Scalable Long Horizon Multi-Agent Motion Forecasting},
author = {Shounak Sural and Charles Kekeh and Wenliang Liu and Federico Pecora and Mouhacine Benosman},
journal= {arXiv preprint arXiv:2510.00401},
year = {2025}
}