Learning Depth Vision-Based Personalized Robot Navigation From Dynamic Demonstrations in Virtual Reality

要約

最高の人間とロボットの対話エクスペリエンスを実現するには、ロボットのナビゲーション ポリシーでユーザーの個人的な好みを考慮する必要があります。
このホワイト ペーパーでは、認識パイプラインによって補完された学習フレームワークを提示し、ユーザー デモンストレーションから深度ビジョン ベースのパーソナライズされたナビゲーション コントローラーをトレーニングします。
私たちの仮想現実インターフェースは、動的な相互作用シナリオのために、ユーザーの動きの下でのロボットのナビゲーション軌跡のデモンストレーションを可能にします。
新しい知覚パイプラインは、動き予測と組み合わせて変分オートエンコーダーを登録します。
知覚された深度画像を潜在状態表現に圧縮して、ロボットの動的環境に関する学習エージェントの効率的な推論を可能にします。
詳細な分析と切除研究では、知覚パイプラインのさまざまな構成を評価します。
ナビゲーション コントローラーのパーソナライゼーションの品質をさらに定量化するために、Fr\’echet Distance に基づいて好みの反映を測定する新しいメトリックを開発および適用します。
さまざまな仮想シーンでのロボットのナビゲーション パフォーマンスについて説明し、深度画像のみに依存する最初のパーソナライズされたロボット ナビゲーション コントローラーを示します。
私たちのアプローチを強調する補足ビデオは、オンラインで入手できます。

要約(オリジナル)

For the best human-robot interaction experience, the robot’s navigation policy should take into account personal preferences of the user. In this paper, we present a learning framework complemented by a perception pipeline to train a depth vision-based, personalized navigation controller from user demonstrations. Our virtual reality interface enables the demonstration of robot navigation trajectories under motion of the user for dynamic interaction scenarios. The novel perception pipeline enrolls a variational autoencoder in combination with a motion predictor. It compresses the perceived depth images to a latent state representation to enable efficient reasoning of the learning agent about the robot’s dynamic environment. In a detailed analysis and ablation study, we evaluate different configurations of the perception pipeline. To further quantify the navigation controller’s quality of personalization, we develop and apply a novel metric to measure preference reflection based on the Fr\’echet Distance. We discuss the robot’s navigation performance in various virtual scenes and demonstrate the first personalized robot navigation controller that solely relies on depth images. A supplemental video highlighting our approach is available online.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google