[发明专利]分析多个物理对象之间的相互作用

说明书

分析多个物理对象之间的相互作用。本发明涉及一种用于预测多个相互作用物理对象的对象特征向量的系统（100）。该系统使用解码器模型，该解码器模型包括：多个相互作用类型的集合的传播模型集合和预测模型；和表示相互作用对象的观察对象特征向量序列的观察数据。对于第一相互作用对象的要预测的对象特征向量序列，从多个相互作用类型的集合中获得对应的成对相互作用类型的序列。使用由相互作用类型序列指示的传播模型来确定从第二对象到第一对象的传播数据。至少基于所确定的传播数据，使用给定的预测模型来预测对象特征向量。

技术领域

本发明涉及一种用于预测多个相互作用物理对象的对象特征向量的系统，以及对应的计算机实现的方法。本发明进一步涉及一种用于将多个物理对象之间的成对相互作用分类成多个相互作用类型的集合的系统，以及对应的计算机实现的方法。本发明还涉及一种用于为以上系统训练模型的系统，以及对应的计算机实现的方法。本发明进一步涉及一种计算机可读介质，其包括用于执行以上方法之一的指令和/或供以上方法和系统使用的模型数据。

背景技术

各种物理系统可以自然地表示为对象集合，它们之间具有关系依赖性。例如，自主车辆周围的交通状况可以被看作一个系统，在该系统中，诸如其他车辆、自行车和行人之类的各种其他行为者彼此相互作用，并且从而影响彼此的轨迹。作为另一个示例，制造过程可以被认为是其中例如自主机器人的各种设备根据相互作用动力学而彼此相互作用的系统。在这种情况下，尽管可能不知道相互作用的明确规则，但是相互作用仍然可以示出一定程度的可预测性。在各种设置中，例如，在用于自主车辆的控制系统或制造过程的监视系统中，合期望的是能够使用该可预测性来对这样的系统的状态进行自动推理，例如，以便对其未来状态进行预测。例如，如果预测到危险的交通情形，则自主车辆可以制动。为了对这样的系统进行准确推理，合期望的是依据个体物理对象以及它们彼此相互作用的方式对系统进行建模。

在Kipf等人的“Neural Relational Inference for Interacting Systems”（可在https：//arxiv.org/abs/1802.04687获得并且通过引用并入本文中）中，提出了称为神经关系推断（NRI）模型的模型。这是无监督式模型，其学习推断动力系统的组成部分之间的相互作用，同时并举学习纯粹来自观察数据的动力学。NRI模型采用变分自动编码器的形式，所述变分自动编码器通过确定系统的每对对象之间的离散相互作用类型来学习对动力系统进行编码。然后这些编码可以用来预测它们未来的动力学。

不幸的是，Kipf等人的模型假定动力学系统的对象之间的关系是静止的。该假定在实践中往往不成立。例如，在交通情形下，两个交通参与者可能首先彼此远离，在这种情况下，第一个交通参与者的行为可能不受到另一个交通参与者的行为太大影响。然而，当交通参与者变得更靠近彼此并且例如有与彼此碰撞的危险时，他们的行为将开始彼此影响，直到他们例如避免碰撞并且他们再次开始与彼此远离地移动。因此，将合期望的是能够对时变相互作用配置进行建模，并且使用它们来更准确地预测相互作用物理对象的未来动力学。

发明内容

根据本发明的第一方面，提出了一种用于预测多个相互作用物理对象的对象特征向量的系统，如权利要求1所限定的。根据本发明的另一个方面，提出了一种对应的计算机实现的方法，如权利要求8所限定的。根据本发明的另外方面，提出了一种用于将多个物理对象之间的成对相互作用分类成多个相互作用类型的集合的系统，如权利要求10所限定的。根据本发明的另一个方面，提出了一种对应的计算机实现的方法，如权利要求12所限定的。根据本发明的再另外的方面，提出了一种用于训练编码器模型和解码器模型的系统，如权利要求14所限定的。根据本发明的另一个方面，提出了一种对应的计算机实现的方法，如权利要求16所限定的。根据本发明的一个方面，提供了如权利要求17所限定的计算机可读介质。