[論文レビュー] Roto-translated Local Coordinate Frames For Interacting Dynamical Systems

Miltiadis Kofinas, Naveen Shankar Nagaraja+1 more|arXiv (Cornell University)|Oct 28, 2021

Data Visualization and Analytics被引用数 6

ひとこと要約

本稿では、相互作用する力学的システムにおける幾何学的グラフニューラルネットワークの回転・平行移動不変性を強制するために、ロータリトランスレーテッド局所座標フレーム（LoCS）を提案する。各ノードを中心にフレームを定義し、物体の向きに合わせて整列させることで、不変なエッジ予測と等変換な軌道予測が可能となり、交通シーン、3次元モーションキャプチャ、粒子衝突データセットのあらゆる分野で最先端の性能を達成した。

ABSTRACT

Modelling interactions is critical in learning complex dynamical systems, namely systems of interacting objects with highly non-linear and time-dependent behaviour. A large class of such systems can be formalized as $\ extit{geometric graphs}$, $\ extit{i.e.}$, graphs with nodes positioned in the Euclidean space given an $\ extit{arbitrarily}$ chosen global coordinate system, for instance vehicles in a traffic scene. Notwithstanding the arbitrary global coordinate system, the governing dynamics of the respective dynamical systems are invariant to rotations and translations, also known as $\ extit{Galilean invariance}$. As ignoring these invariances leads to worse generalization, in this work we propose local coordinate frames per node-object to induce roto-translation invariance to the geometric graph of the interacting dynamical system. Further, the local coordinate frames allow for a natural definition of anisotropic filtering in graph neural networks. Experiments in traffic scenes, 3D motion capture, and colliding particles demonstrate that the proposed approach comfortably outperforms the recent state-of-the-art.

研究の動機と目的

• 任意のグローバル座標系に依存するため、力学的システムに対するグラフニューラルネットワークの一般化性能が低いという課題に対処すること。
• ガリレオ不変性（特に回転・平行移動対称性）を活用して、サンプル効率の向上とモデルのロバスト性を向上させること。
• 局所的で物体に一致する座標フレームにおける相対的位置を定義することで、グラフネットワークにおける自然な異方性フィルタリングを可能にすること。
• エッジ予測における回転・平行移動不変性と、軌道予測における回転・平行移動等変性を保証するフレームワークを開発すること。
• 歩行者運動、3次元人体モーション、粒子衝突を含む多様な力学的システムベンチマークで優れた性能を示すこと。

提案手法

• 各ノードを中心に、物体のヨー、ピッチ、ロールの向きに合わせて回転させた局所座標フレームを定義する。
• すべての幾何的特徴量とメッセージパッシング操作を局所フレームに変換することで、回転・平行移動不変性を強制する。
• 最終出力を元に戻すために逆回転を適用し、グローバル変換に対して等変性を保証する。
• 局所フレーム内での相対的な線形および角運動の位置に基づく異方性連続フィルタを導入し、方向依存性をモデル化する。
• 局所フレーム構築のための微分可能定式化を採用し、外部ライブラリに依存しない独自実装の行列→オイラー角変換（ZYX表記）を用いる。
• グラフベースのアーキテクチャを統合した変分オートエンコーダフレームワークを用いて、メッセージパッシング層に局所フレームを組み込む形でモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 幾何的グラフニューラルネットワークにおいて回転・平行移動不変性を強制することで、相互作用する力学的システムの一般化性能が向上するか？
• RQ2 各物体に中心を置いた局所座標フレームを用いることで、エッジ予測および軌道予測の性能にどのような影響を与えるか？
• RQ3 相対的な局所位置に基づく異方性フィルタリングは、等方性またはグローバル手法と比較して、どの程度モデル性能を向上させるか？
• RQ4 ヨー、ピッチ、ロールが固有に定義されない状況（例：荷電粒子）では、本手法はどの程度の性能を示すか？
• RQ5 本稿で提案する局所フレームアプローチは、dNRI、NRI、EGNN、GRUといった最先端モデルを、多様な力学的システムベンチマークで上回るか？

主な発見

• 提案されたLoCS手法は、InD歩行者運動予測ベンチマークで、L2およびMSE誤差指標においてdNRI、NRI、EGNN、GRUを上回る最先端の性能を達成した。
• 3次元人体モーションキャプチャデータセット（被験者#35）において、LoCSはdNRI、NRI、EGNNと比較して位置誤差および速度誤差を顕著に低減し、全タイムステップで低いMSEを達成した。
• 高密度に相互作用する荷電粒子ベンチマークでは、LoCSが最小の総誤差を達成し、内在的向きのない系においても高いロバスト性を示した。
• アブレーションスタディの結果、異方性フィルタリングを組み込むことで、等方性またはフィルタなしのバージョンに比べて性能が向上し、特に複雑で動的なシーンで顕著な向上が見られた。
• 局所フレームから回転を除去（平行移動のみ）した場合、性能が著しく低下し、回転の整合性の重要性が確認された。
• 学習時の速度正規化は、本稿で提案されたLoCS手法に比べて性能向上をもたらさず、データ依存の前処理を必要としないにもかかわらず、優れた結果を達成した。