摘要

多智能体交互系统在现实世界中广泛存在，从纯粹的物理系统到复杂的社交动态系统均涵盖其中。在诸多应用中，对环境状态的有效理解以及对交互智能体轨迹的精准预测，在下游任务（如决策与规划）中发挥着至关重要的作用。本文提出一种通用的轨迹预测框架（命名为 EvolveGraph），该框架通过隐式交互图（latent interaction graphs）显式地建模多个异构交互智能体之间的关系结构，并实现关系识别与预测。考虑到未来行为具有高度不确定性，模型设计为生成多模态预测假设。由于底层交互关系可能随时间动态演化，甚至出现突变，且不同的演化模式可能导致截然不同的结果，因此本文强调动态关系推理的必要性，并提出自适应演化交互图的机制。此外，我们引入了一种双阶段训练流程，不仅提升了训练效率并加速模型收敛，还进一步增强了模型性能。所提出的框架在合成物理仿真数据以及多个真实世界基准数据集（涵盖不同应用领域）上进行了评估。实验结果表明，该方法在预测精度方面达到了当前最优水平。