GHGNN：一种基于群定义的超图神经网络，用于行人轨迹预测

《Neurocomputing》：GHGNN: Group-defined hypergraph neural network for pedestrian trajectory prediction

行人轨迹预测基于超图神经网络，通过门控时空融合与自适应稀疏模块优化交互建模，准确划分群体并降低参数量。

　　在当今智能交通和机器人导航迅速发展的背景下，准确预测行人未来的行为轨迹变得尤为重要。这项研究的核心目标在于提升自动驾驶车辆和机器人在复杂环境中对行人运动的预测能力，从而有效避免潜在的碰撞事故，提高整体的安全性。随着研究的深入，传统的方法逐渐暴露出其局限性，尤其是在处理行人之间的复杂交互关系时，往往无法全面捕捉集体行为和个体行为的相互影响。因此，引入更先进的模型结构成为研究的热点，其中基于超图神经网络（HGNN）的方法因其在建模群体互动方面的潜力而受到广泛关注。

然而，现有的HGNN方法在构建超图时，通常依赖于神经网络学习的行人相关矩阵，这种方法虽然在一定程度上提升了预测的准确性，但也带来了模型解释性差和群体划分不准确的问题。由于这些模型往往难以明确地展示行人之间的交互关系，因此在实际应用中可能会出现误判，进而影响整体的预测性能。为了解决这些问题，本文提出了一种基于群体定义规则的超图神经网络（GHGNN），旨在通过更加直观和可解释的方式建模行人之间的社会关系，从而实现更准确的轨迹预测。

GHGNN的设计理念来源于对行人运动模式的深入理解。在实际场景中，行人不仅会与周围的个体进行互动，还可能形成特定的群体，如同行、会面或跟随等。为了准确捕捉这些群体行为，GHGNN引入了基于距离范围、速度一致性和运动方向一致性的群体定义规则。这些规则不仅有助于提高群体划分的准确性，还增强了模型的可解释性，使得研究者和工程师能够更好地理解模型的决策过程。

在构建超图的过程中，GHGNN首先根据群体定义规则确定行人之间的群体关系，然后利用这些关系构建超图。这种方法避免了传统方法中依赖神经网络学习的行人相关矩阵，从而提高了模型的透明度和可解释性。此外，GHGNN还设计了两个分支：一个用于建模行人之间的成对交互，另一个用于建模群体交互。成对交互分支通过构建空间图来捕捉行人之间的局部关系，而群体交互分支则通过超图来描述群体行为的整体特征。

为了进一步提高模型的预测能力，GHGNN引入了门控空间-时间融合模块和自适应稀疏模块。门控空间-时间融合模块通过一种门控机制，对不同时间步的社会交互进行加权融合，从而确保模型能够捕捉到行人运动的动态变化。自适应稀疏模块则负责过滤掉冗余的社会交互，减少不必要的干扰，提高模型的效率和准确性。这两个模块的结合使得GHGNN能够在处理行人轨迹预测任务时，更加精准地建模社会交互，提高预测的可靠性。

在预测未来轨迹的过程中，GHGNN利用时间卷积网络（TCN）将成对和群体交互特征进行融合，从而生成更准确的轨迹预测结果。这种方法不仅能够捕捉行人个体的运动特征，还能够综合考虑群体行为的影响，使得预测结果更加符合实际场景中的复杂情况。通过实验验证，GHGNN在多个真实世界数据集上的表现优于现有的方法，同时保持了较低的模型参数数量，为未来在嵌入式设备上的应用提供了便利。

此外，本文还对相关的工作进行了综述，涵盖了传统轨迹预测方法、数据驱动方法以及近年来引入的超图神经网络方法。传统方法主要依赖于预定义的动态模型，如卡尔曼滤波和隐马尔可夫模型，但这些模型在处理复杂的行人运动时存在一定的局限性。而数据驱动方法则通过从大量数据中学习潜在的运动模式和社会关系，能够更好地适应不同的场景。然而，这些方法在处理群体行为时往往表现不足，无法全面捕捉集体互动的特征。因此，近年来的研究开始引入超图神经网络，以更好地建模行人之间的社会关系。

在实际应用中，行人轨迹预测面临着诸多挑战，包括行人行为的多样性和不确定性，以及外部环境对行人运动的影响。为了应对这些挑战，GHGNN采用了一种更加系统和结构化的方法，通过群体定义规则构建超图，不仅提高了模型的准确性，还增强了其可解释性。这种方法使得研究者能够更好地理解行人之间的交互关系，从而为自动驾驶和机器人导航提供更加可靠的预测支持。

本文的研究成果表明，GHGNN在多个数据集上的表现优于现有的方法，同时保持了较低的模型参数数量，这为未来在资源受限的嵌入式设备上的应用提供了可行性。此外，GHGNN的设计还考虑了模型的扩展性和灵活性，使其能够适应不同的场景和需求。通过实验验证，GHGNN不仅在预测误差方面表现优异，还能够准确划分群体，提高模型的解释性，为未来的智能交通系统提供了新的思路和方法。

总之，GHGNN通过引入基于群体定义规则的超图神经网络，为行人轨迹预测提供了一种更加准确和可解释的解决方案。这种方法不仅能够有效捕捉行人之间的社会关系，还能够适应不同的场景和需求，为自动驾驶和机器人导航提供了重要的技术支持。未来的研究将继续探索如何进一步优化GHGNN的性能，使其在更复杂的环境中实现更精准的轨迹预测，为智能交通系统的安全性和可靠性提供保障。