Predizione di traiettorie future mediante le interazioni e gli obiettivi degli agenti

Comprendere le caratteristiche del movimento umano ਠun compito di fondamentale importanza per diverse possibili applicazioni future e non, come le auto a guida autonoma o i robot sociali, e in generale per tutte quelle situazioni in cui un agente autonomo deve navigare all'interno di un ambiente che potremmo definire "umano-centrico". Questo compito ਠparticolarmente impegnativo perch੠il movimento uma-no ਠintrinsecamente multimodale: dato uno storico dei movimenti passati, i modi socialmente plausibili con cui le persone potrebbero muoversi in futuro sono molteplici. A questo si aggiunge il fatto che i movimenti delle persone sono spesso guidati da specifici obiettivi, come raggiungere una data destinazione o interagire con l'ambiente circostante. Abbiamo affrontato i suddetti aspetti combinando diversi strumenti: dai modelli generativi, passando per le funzioni di labelling, fino ad arrivare alle Graph Neural Networks. Un modello generativo ricorrente osserva i movimenti passati dei singoli agenti e ne predice il comportamento futuro: il modello sfrutta due attention-based Graph Neural Networks per collezionare informazioni sulle mutue influenze degli agenti e per integrare queste informazioni con previsioni sui loro possibili obiettivi futuri.