Neural Interaction Energy for Multi-Agent Trajectory Prediction

要約

時間的安定性を維持することは、マルチエージェントの軌道予測において非常に重要です。
この安定性を維持するには正則化が不十分であると、多くの場合、運動学的状態が変動し、一貫性のない予測や誤差の拡大につながります。
この研究では、神経相互作用エネルギーによるマルチエージェント軌道予測 (MATE) と呼ばれるフレームワークを導入します。
このフレームワークは、神経相互作用エネルギーを使用してエージェントのインタラクティブな動きを評価します。これにより、インタラクションのダイナミクスが捕捉され、エージェントの将来の軌道に対する影響が示されます。
時間的安定性を強化するために、エージェント間インタラクション制約とエージェント内モーション制約という 2 つの制約を導入します。
これらの制約は連携してシステム レベルとエージェント レベルの両方で一時的な安定性を確保し、マルチ エージェント システムに固有の予測変動を効果的に軽減します。
4 つの多様なデータセットに対する以前の方法との比較評価により、モデルの優れた予測精度と一般化機能が強調されます。

要約(オリジナル)

Maintaining temporal stability is crucial in multi-agent trajectory prediction. Insufficient regularization to uphold this stability often results in fluctuations in kinematic states, leading to inconsistent predictions and the amplification of errors. In this study, we introduce a framework called Multi-Agent Trajectory prediction via neural interaction Energy (MATE). This framework assesses the interactive motion of agents by employing neural interaction energy, which captures the dynamics of interactions and illustrates their influence on the future trajectories of agents. To bolster temporal stability, we introduce two constraints: inter-agent interaction constraint and intra-agent motion constraint. These constraints work together to ensure temporal stability at both the system and agent levels, effectively mitigating prediction fluctuations inherent in multi-agent systems. Comparative evaluations against previous methods on four diverse datasets highlight the superior prediction accuracy and generalization capabilities of our model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google