在人群模拟中基于数据驱动的模仿模型的情景泛化
摘要：众包仿真是研究多个智能体在复杂环境中运动的领域，为机器学习提供了一个独特的应用领域。众包仿真的一个挑战是模拟在高密度人群中专家智能体的运动。如果模型的行为与专家一样好，它可以替代专家智能体，从而带来许多令人兴奋的应用。然而，我们认为之前的研究没有考虑如何训练数据和训练方法影响模仿者在应用于新场景时的效果的关键问题。在这项工作中，通过将行为克隆（BC）训练方法或更复杂的生成对抗性模仿学习（GAIL）方法应用于三种典型的数据领域，即用于评估人群模型的标准基准、随机抽样的状态-动作对和捕捉局部交互的自我中心场景，来表示一个通用的模仿模型。模拟结果表明：（i）简单的训练方法总体上比复杂的训练方法更好；（ii）训练样本中包含多种智能体-智能体和智能体-障碍物交互可以有助于减少模型应用于新场景时的碰撞。我们还评估了模型在模仿从监控视频中观察到的真实人群轨迹方面的能力。我们的发现表明，在具有代表性的场景上训练的模型可以推广到在真实人群中观察到的新的、未知的情况。
作者：Gang Qiao, Honglu Zhou, Mubbasir Kapadia, Sejong Yoon, Vladimir Pavlovic
论文ID：1910.00738
分类：Multiagent Systems
分类简称：cs.MA
提交时间：2019-10-03