본 논문은 다중 객체 상호작용 분석을 위해 활용되는 객체 탐지, 자세 추정, 관계 모델링 기술의 최근 동향을 Self-Supervised Learning과 On-Device AI 관점에서 고찰한다. Transformer 기반 탐지와 그래프 신경망은 객체 간 전역적 관계 인식을 향상시키며, Self-Supervised 자세 추정 기법은 다양한 환경에서 강건한 시·공간 표현을 학습하여 상호작용 분석 성능을 높인다. 또한 Contrastive Learning과 계층적 그래프 모델은 복잡한 행동 패턴의 시공간 구조를 효과적으로 포착한다. 더불어 On-Device AI는 실시간 처리와 프라이버시 보호 측면에서 실 환경 적용을 위한 핵심 기술로 주목받는다. 본 연구는 이러한 기술 흐름을 종합하여 다중 객체 상호작용 분석의 방향과 향후 과제를 제시한다. 특히 Self-Supervised 기반 표현 학습과 경량화 모델의 결합 가능성을 제시함으로써 실제 서비스 환경에서의 적용성을 높일 수 있는 실용적 관점을 제공한다. 본 논문에서 제시한 기술적 정리는 다중 객체 행동 분석 연구의 체계적 이해 및 후속 연구 설계에 기초 자료로 활용될 수 있다.