EvolveHypergraph: Group-Aware Dynamic Relational Reasoning for Trajectory Prediction

要約

マルチエージェント相互作用システムにおいて、ペアワイズ関係のモデリングは広く研究されているが、より高レベルで大規模なグループワイズ活動を捉える能力は限定的である。本論文では、動的に進化する関係構造を明示的に推論する、グループを意識した関係推論アプローチ（EvolveHypergraphと命名）を提案し、マルチエージェント軌道予測に対するその有効性を実証する。ハイパーグラフの数を固定せず、教師無しでグループを考慮した推論を可能にするために、一対のノード（すなわちエージェント）間のエッジに加え、複数のノードを適応的に接続するハイパーエッジを推論することを提案する。提案手法は、時間の経過とともに動的に変化する関係グラフとハイパーグラフを推論し、関係の進化を捉えることで、軌跡予測器が将来の状態を得るために利用するものである。さらに、関係発展の滑らかさと、推論されたグラフやハイパーグラフの疎密を正則化することを提案し、効果的に学習の安定性を向上させ、推論された関係の説明可能性を向上させる。提案手法は、合成群衆シミュレーションと複数の実世界ベンチマークデータセットの両方で検証される。本アプローチは、説明可能で合理的なグループを考慮した関係性を推論し、長期予測において最先端の性能を達成する。

要約(オリジナル)

While the modeling of pair-wise relations has been widely studied in multi-agent interacting systems, its ability to capture higher-level and larger-scale group-wise activities is limited. In this paper, we propose a group-aware relational reasoning approach (named EvolveHypergraph) with explicit inference of the underlying dynamically evolving relational structures, and we demonstrate its effectiveness for multi-agent trajectory prediction. In addition to the edges between a pair of nodes (i.e., agents), we propose to infer hyperedges that adaptively connect multiple nodes to enable group-aware relational reasoning in an unsupervised manner without fixing the number of hyperedges. The proposed approach infers the dynamically evolving relation graphs and hypergraphs over time to capture the evolution of relations, which are used by the trajectory predictor to obtain future states. Moreover, we propose to regularize the smoothness of the relation evolution and the sparsity of the inferred graphs or hypergraphs, which effectively improves training stability and enhances the explainability of inferred relations. The proposed approach is validated on both synthetic crowd simulations and multiple real-world benchmark datasets. Our approach infers explainable, reasonable group-aware relations and achieves state-of-the-art performance in long-term prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL