EvolveGraph: Multi-Agent Trajektorien-Vorhersage mit dynamischer relationaler Reasoning

Mehrkörper-Interaktionsysteme sind in der Welt weit verbreitet – von rein physikalischen Systemen bis hin zu komplexen sozialen Dynamiksystemen. In vielen Anwendungen spielen eine effektive Situationswahrnehmung und eine präzise Trajektorienvorhersage interaktiver Agenten eine entscheidende Rolle für nachgeschaltete Aufgaben wie Entscheidungsfindung und Planung. In diesem Artikel stellen wir einen generischen Ansatz zur Trajektorienvorhersage (EvolveGraph genannt) vor, der explizite Erkennung und Vorhersage von Beziehungsstrukturen mittels latenter Interaktionsgraphen zwischen mehreren heterogenen, interagierenden Agenten ermöglicht. Angesichts der Unsicherheit zukünftigen Verhaltens wird das Modell so gestaltet, dass es mehrmodale Vorhersage-Hypothesen liefert. Da die zugrundeliegenden Wechselwirkungen sich selbst bei plötzlichen Veränderungen entwickeln können und verschiedene Entwicklungsmodi unterschiedliche Ergebnisse hervorrufen können, behandeln wir die Notwendigkeit dynamischer Beziehungsreasoning und ermöglichen eine adaptiv-evolutive Anpassung der Interaktionsgraphen. Zudem führen wir eine zweistufige Trainingspipeline ein, die nicht nur die Trainingseffizienz verbessert und die Konvergenz beschleunigt, sondern auch die Modellleistung steigert. Der vorgeschlagene Ansatz wird sowohl auf synthetischen Physiksimulationen als auch auf mehreren realen Benchmark-Datensätzen aus verschiedenen Anwendungsbereichen evaluiert. Die experimentellen Ergebnisse zeigen, dass unsere Methode in Bezug auf Vorhersagegenauigkeit die derzeit beste Leistung erzielt.