面向多智能体动力学的概率对称性
机器学习
2023-05-22 v3 人工智能
机器人学
摘要
学习多智能体动力学是人工智能的核心问题，在机器人与自动驾驶等领域有广泛应用。现有工作大多聚焦于确定性预测，而生成概率预测以量化不确定性并评估风险，对于运动规划与碰撞避免等下游决策任务至关重要。多智能体动力学常具有内在对称性。通过利用对称性（具体而言为旋转等变性），我们不仅能提升预测精度，还能改善不确定性校准。我们引入能量分数（Energy Score）这一恰当的评分准则来评估概率预测。我们提出一种新颖的深度动力学模型——概率等变连续卷积（PECCO），用于多智能体轨迹的概率预测。PECCO 扩展等变连续卷积以建模多个智能体的联合速度分布，并利用动力学积分将不确定性从速度传播至位置。在合成与真实世界数据集上，PECCO 相较非等变基线在精度与校准方面均有显著提升。
引用
@article{arxiv.2205.01927,
title = {Probabilistic Symmetry for Multi-Agent Dynamics},
author = {Sophia Sun and Robin Walters and Jinxi Li and Rose Yu},
journal= {arXiv preprint arXiv:2205.01927},
year = {2023}
}