EqMotion: Äquivalente Mehragenten-Bewegungsvorhersage mit invarianter Interaktionsreasoning

Das Lernen zur Vorhersage von Agentenbewegungen mittels Beziehungsreasoning ist für zahlreiche Anwendungen von großer Bedeutung. Bei Aufgaben der Bewegungsvorhersage stellt die Erhaltung der Bewegungsgleichwertigkeit (equivariance) unter euklidischen geometrischen Transformationen sowie die Invarianz der Interaktion zwischen Agenten ein entscheidendes und grundlegendes Prinzip dar. Allerdings werden diese Eigenschaften der Gleichwertigkeit und Invarianz von den meisten bestehenden Methoden übersehen. Um diese Lücke zu schließen, schlagen wir EqMotion vor – ein effizientes, gleichwertiges Modell zur Bewegungsvorhersage mit invarianter Interaktionsreasoning. Zur Erzielung der Bewegungsgleichwertigkeit entwickeln wir ein gleichwertiges geometrisches Merkmalslernmodul, das durch speziell konzipierte gleichwertige Operationen ein euklidisch transformierbares Merkmal lernt. Zur Modellierung der Interaktionen zwischen Agenten stellen wir ein invarianzes Interaktionsreasoning-Modul vor, um eine stabilere Modellierung der Interaktionen zu erreichen. Um weiterhin umfassendere Bewegungsmerkmale zu fördern, schlagen wir ein invarianzes Mustermerkmalslernmodul vor, das ein invarianzes Mustermerkmal lernt, das gemeinsam mit dem gleichwertigen geometrischen Merkmal die Ausdruckskraft des Netzwerks erhöht. Wir führen Experimente mit dem vorgeschlagenen Modell auf vier unterschiedlichen Szenarien durch: Partikeldynamik, Moleküldynamik, Vorhersage von menschlichen Skelettbewegungen und Fußgängerbewegungsvorhersage. Die experimentellen Ergebnisse zeigen, dass unsere Methode nicht nur allgemein anwendbar ist, sondern zudem auf allen vier Aufgaben die bisher beste Vorhersageleistung erzielt – mit Verbesserungen von 24,0 %/30,1 %/8,6 %/9,2 %. Der Quellcode ist unter https://github.com/MediaBrain-SJTU/EqMotion verfügbar.