【Motion Forecasting】【摘要阅读】EqMotion：Equivariant Multi-agent Motion Prediction

EqMotion: Equivariant Multi-agent Motion Prediction with Invariant Interaction Reasoning

这项工作发布于CVPR 2023，作者团队来自于上海交通大学/新加坡国立大学/上海AI Laboratory。

Abstract

通过关系推理（relationship reasoning）来对代理的未来运动进行预测对于许多应用来说是非常重要的。对于运动预测任务，能够使得方法对欧氏空间下的几何变换具有等变性，并使得方法可以对代理之间的交互具有不变性是非常重要的准则。然而，上述的等变性和不变性被大多数方法忽略了。

为了填补上述方法的缺陷，本文提出了EqMotion，它是一种高效的等变运动预测模型，并且可以进行不变的交互归纳（interaction reasoning）。为了使模型对代理的运动具有等变性，本文方法提出了一种等变的几何特征学习模块，通过精细设计的等变操作，来学习一种欧式可变特征。

为了对代理之间的交互进行归纳，本文提出了一种具有不变性的交互归纳模块，从而更稳定地对代理之间的交互进行建模。

为了进一步对运动特征进行改进，本文方法提出了一种具有不变性的模式特征，它将会与等变几何特征相结合，来提高模型的表达能力。

作者分别在四种场景对本文方法进行了验证，分别是粒子动力学、分子动力学、人体骨架运动预测和行人轨迹预测。实验结果表明，本文方法不仅具有较强的适用性，并且在四项任务上均取得了SOTA水准的结果。

本文方法是开源的，详情可见原文相关链接。

Contributions

• 本文提出了EqMotion，它是第一项基于参数化网络来在理论上确保sequence-to-sequence运动不变性的运动预测模型。基于运动不变性，EqMotion可以学习到泛化性更强的运动特征，使得模型可以进行更鲁棒和准确的预测；
• 本文提出了一种具有不变性的交互归纳模块，在欧式集合变换的作用下，代理之间的交互对于输入运动数据而言是不变的。基于该模块，EqMotion可以在交互归纳上达到更好地泛化性和稳定性；
• 本文方法在四种场景上进行了实验，发现EqMotion适用于所有四项任务，并极大程度地提高了各项任务的性能，达到了SOTA。

Conclusion

在这项工作中，作者提出了EqMotion，它是一种运动预测模型，在理论上确保了其对欧式变换具有等变性。EqMotion包含三种新颖的设计，分别是具有等变性的几何特征学习、具有不变性的模式特征学习以及具有不变性的交互归纳模块。

作者在四项任务上对EqMotion进行了验证，EqMotion在上述任务中均取得了SOTA水准的结果。