2022 CVPR
论文：GroupNet: Multiscale Hypergraph Neural Networks for Trajectory Prediction with Relational Reasoning
1、介绍
过去的工作只考虑了有限关系推理的成对交互，因此提出了GroupNet，可以通过可训练的多尺度超图，用于对具有多个不同大小的群体交互进行建模，以数据驱动的方式学习这种多尺度超图拓扑，来提取更全面更群体化的交互；在学习时，为了学习交互embedding，提出三要素格式：神经交互强度、神经交互类别和每个类别函数
至少三个因素会影响智能体动态：
自我动量：已得到充分研究
瞬时意图：不可研究（MTR系列已经实现瞬时意图的学习）
社会交互：当前工作重点
2、GroupNet
GroupNet的核心是学习一个多尺度超图，其节点是智能体，超边是交互
详情可见DynGroupNet，当然在DynGroupNet中有所创新，具体是在平滑相关矩阵的变化处，但基本核心思想不变
神经网络信息传递也相同，最后得到智能体的embedding
3、GroupNet预测系统
3.1、编码阶段
首先将过去轨迹X-和未来轨迹X+分别输入给GroupNet，得到智能体未来和过去的embedding------V+和V-
将两个embedding连接后，分别通过两个MLP，得到未来轨迹分布的期望和方差，从该分布中采样得到潜变量z，和V-连接后输出为V_out
而在测试阶段，则从先验分布N~（0， λI）中采样，其中λ为一个超参数
3.2、解码阶段
残差解码器包含两个相同的解码快，输入V_out和X-（重建过去轨迹，避免信息丢失）
每个块由一个用于编码序列的 GRU 编码器和两个作为输出的 MLP 组成
最后再求和得到未来预测轨迹和重建过去轨迹
3.3、损失函数
损失由L2范数损失，KL散度损失，和多样性损失构成
