It Takes Two: Learning to Plan for Human-Robot Cooperative Carrying

要約

協調的なテーブル運搬は、アクションと状態空間の連続的な性質、戦略の多面性、および他のエージェントへの瞬間的な適応の必要性のために複雑なタスクです。
この作業では、タスクで協調的な人間とロボットのチームの現実的なモーション プランを予測する方法を提示します。
Variational Recurrent Neural Network (VRNN) を使用して、人間とロボットのチームの軌跡の経時変化をモデル化することで、相互作用履歴からの情報を活用しながら、チームの将来の状態の分布を把握できます。
私たちのアプローチの鍵は、人間のデモンストレーション データを活用して、テスト時間中に後退する地平線の方法で人間とうまく相乗効果をもたらす軌道を生成することです。
ベースラインのサンプリングベースのプランナー RRT (Rapidly-exploring Random Trees) と集中型計画の VRNN プランナーとの比較は、VRNN が RRT よりも人間間のデモンストレーションの分布に似た動きを生成することを示しています。
ヒューマン・イン・ザ・ループのユーザー調査の結果は、VRNN プランナーがタスク関連のメトリクスで分散型 RRT よりも優れており、RRT プランナーよりも人間として認識される可能性が大幅に高いことを示しています。
最後に、別のロボットを遠隔操作する人間とペアになった実際のロボットで VRNN プランナーを示します。

要約(オリジナル)

Cooperative table-carrying is a complex task due to the continuous nature of the action and state-spaces, multimodality of strategies, and the need for instantaneous adaptation to other agents. In this work, we present a method for predicting realistic motion plans for cooperative human-robot teams on the task. Using a Variational Recurrent Neural Network (VRNN) to model the variation in the trajectory of a human-robot team across time, we are able to capture the distribution over the team’s future states while leveraging information from interaction history. The key to our approach is leveraging human demonstration data to generate trajectories that synergize well with humans during test time in a receding horizon fashion. Comparison between a baseline, sampling-based planner RRT (Rapidly-exploring Random Trees) and the VRNN planner in centralized planning shows that the VRNN generates motion more similar to the distribution of human-human demonstrations than the RRT. Results in a human-in-the-loop user study show that the VRNN planner outperforms decentralized RRT on task-related metrics, and is significantly more likely to be perceived as human than the RRT planner. Finally, we demonstrate the VRNN planner on a real robot paired with a human teleoperating another robot.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google