RAIN：用于运动预测的强化混合注意力推理网络

运动预测在多个领域（如自动驾驶、人机交互）中扮演重要角色，其目标是根据一组历史观测预测未来的运动序列。然而，观测到的元素可能具有不同的重要性。在某些情况下，某些信息可能与预测无关甚至分散注意力。为了解决这个问题，我们提出了一个通用的运动预测框架（名为RAIN），该框架基于混合注意力机制进行动态关键信息选择和排序。该通用框架被实例化以分别处理多智能体轨迹预测和人体运动预测任务。在前一个任务中，模型学习通过图表示识别智能体之间的关系并确定它们的相对重要性。在后一个任务中，模型学习捕捉长期人体运动中的时间邻近性和依赖性。我们还提出了一种有效的双阶段训练流程，采用交替训练策略来优化框架中不同模块的参数。我们在不同领域的合成模拟和运动预测基准上验证了该框架，结果表明我们的方法不仅实现了最先进的预测性能，而且提供了可解释且合理的混合注意力权重。