摘要

在众多应用场景中，学习如何通过关系推理预测智能体运动具有重要意义。在运动预测任务中，保持在欧几里得几何变换下的运动等变性（motion equivariance）以及智能体交互的不变性（invariance of agent interaction）是一项关键且基础的原则。然而，大多数现有方法忽视了这一重要性质。为填补这一空白，我们提出了 EqMotion——一种高效且具备交互不变性的运动预测模型。为实现运动等变性，我们设计了一种等变几何特征学习模块，通过专门的等变操作设计，学习可经欧几里得变换保持一致性的特征表示。为实现智能体间交互的合理建模，我们提出了一个不变性交互推理模块，以获得更稳定的交互建模能力。为进一步挖掘更全面的运动特征，我们引入了一个不变模式特征学习模块，用于学习具有不变性的模式特征，该特征与等变几何特征协同作用，显著提升网络的表达能力。我们在四种不同场景下对所提模型进行了实验验证：粒子动力学、分子动力学、人体骨骼运动预测以及行人轨迹预测。实验结果表明，该方法不仅具有广泛的适用性，且在全部四项任务中均达到了当前最优的预测性能，分别提升了24.0%、30.1%、8.6%和9.2%。代码已开源，地址为：https://github.com/MediaBrain-SJTU/EqMotion。