EvolveGraph: 동적 관계 추론을 통한 다중 에이전트 궤적 예측

다중 에이전트 상호작용 시스템은 순수한 물리적 시스템부터 복잡한 사회적 동적 시스템에 이르기까지 세계 곳곳에서 흔히 존재한다. 많은 응용 분야에서 상호작용 에이전트의 상황 이해 및 정확한 궤적 예측은 결정 및 계획과 같은 후속 작업에 있어 핵심적인 역할을 한다. 본 논문에서는 다수의 이질적이고 상호작용하는 에이전트 간의 잠재적 상호작용 그래프를 통해 명시적인 관계 구조 인식과 예측을 가능하게 하는 일반적인 궤적 예측 프레임워크(이하 EvolveGraph)를 제안한다. 미래 행동의 불확실성을 고려하여, 모델은 다중 모달 예측 가설을 제공하도록 설계되었다. 또한, 기저 상호작용은 갑작스러운 변화 속에서도 진화할 수 있으며, 진화의 다양한 모달리티는 서로 다른 결과를 초래할 수 있으므로, 동적 관계 추론의 필요성과 상호작용 그래프의 적응적 진화를 고려하였다. 더불어, 학습 효율성을 향상시키고 수렴 속도를 가속화하는 동시에 모델 성능을 개선하는 이중 단계 학습 파이프라인을 도입하였다. 제안된 프레임워크는 다양한 분야의 실제 데이터셋과 합성 물리 시뮬레이션 데이터셋에서 평가되었으며, 실험 결과 본 연구의 접근 방식이 예측 정확도 측면에서 최신 기술 수준(SOTA)의 성능을 달성함을 입증하였다.