Mar, 2020

EvolveGraph：基于动态关系推理的多智能体轨迹预测

PDF
TL;DR本文提出了一种能够通过关系推理和适应性地进化交互图，预测多个异构交互代理的轨迹的通用轨迹预测框架，其在多个真实世界基准数据集中取得了最先进的预测准确性表现。
multi-agent systemstrajectory predictioninteraction graphsrelational reasoningstate-of-the-art performance
发现论文，激发创造
  • EvolveHypergraph: 面向群体的动态关系推理预测轨迹

    本文提出了一种群组感知的关系推理方法，命名为 EvolveHypergraph，通过推断动态演化的关系来预测多智能体轨迹，该方法在多个数据集上得到了最先进的性能，并提高了推理关系的可解释性和稳定性。

    Aug, 2022

  • 多智能体动态关系推理在社交机器人导航中的应用

    通过系统的关系推理方法和轨迹预测，我们提出了一种适用于多智能体系统的社交机器人导航研究，通过该方法，在密集、互动场景中，在安全性、效率性和社交遵循性方面显著优于最强基准线。

    Jan, 2024

  • GroupNet: 多尺度超图神经网络用于具有关系推理的轨迹预测

    本文提出了一种基于多尺度超图神经网络的方法，可用于预测交互行为，通过对群体行为的建模以及超图的学习，实现了针对 CVAE 系统的关系推理，同时在 NBA、SDD 和 ETH-UCY 等实际数据集上验证了模型的有效性及优越性。

    Apr, 2022

  • Trajectron：具备动态时空图的概率多智体轨迹建模

    研究人员开发了一种基于图结构的 Trajectron 模型，利用递归序列建模和变分深度生成建模来预测多个代理的未来轨迹，通过多个数据集的结果表明其性能达到了最佳，并引入了一个新的指标用于比较输出分布的模型。

    Oct, 2018

  • 空间时间图双重注意力网络用于多智能体预测和跟踪

    本文提出了一种通用的生成神经系统（称为 STG-DAT），用于多代理轨迹预测，涉及异构代理。该系统采用了动态图形表示，并利用轨迹和场景上下文信息来明确交互建模。本文还采用了一个有效的运动学约束层，该约束不仅确保物理可行性，而且提高了模型性能。

    Feb, 2021

  • 时间图：基于图的时间推理

    提出了一种名为 TimeGraphs 的新方法，将动态交互以分层的时间图形式建模，通过自监督方法构建多层次事件层次结构，有效地进行非均匀分布的动态推理。在多个数据集上评估 TimeGraphs 的性能，包括足球模拟器、Resistance 游戏和 MOMA 人体活动数据集，结果表明 TimeGraphs 在各种时间推理任务上都具有鲁棒性和效率，相比当前方法，在事件预测和识别任务上性能提升高达 12.2％。实验进一步证明了 TimeGraphs 的零样本泛化能力、对稀疏数据鲁棒性以及适应流数据的能力。

    Jan, 2024

  • 知进：基于深度时间推理的动态知识图谱

    本文提出了一种新颖的深度进化知识网络，其可在动态知识图中学习非线性演变的实体表示，并通过多元点过程和基于学习实体嵌入的评分来建模事实（边）的发生。我们的方法在现实世界的两个大规模数据集上比各种关系学习方法都具有显著的性能改进；此外，我们的方法有效地预测事实的发生或再次发生时间，这是多关系推理方法中的一种新颖方法。

    May, 2017

  • 利用未来关系推理进行车辆轨迹预测

    提出了一种使用车道信息预测多个代理之间的随机未来关系的新方法，该方法使用概率分布对交互模式进行建模，从而在长期预测基准测试中达到了最先进的性能。

    May, 2023

  • 通过 "团队游戏" 重新思考轨迹预测

    该论文提出了一个新的多智能体轨迹预测模型，它通过交互式分层潜空间明确引入组内共识的概念，可以更好地捕捉群体层面和个体层面的互动，从而在两个多智能体场景中均实现了优异的性能表现。

    Oct, 2022

  • 使用图神经网络联合交互和轨迹预测自动驾驶

    本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

    Dec, 2019