SG-LSTM: Social Group LSTM for Robot Navigation Through Dense Crowds

要約

パーソナル ロボットの可用性と手頃な価格の向上に伴い、ロボットはもはや大規模な企業の倉庫や工場に限定されなくなり、代わりに、より多くの人々のグループと一緒に制御されていない環境で動作することが期待されます.
安全性と効率性を確保することに加えて、ロボットが人間に与える可能性のある心理的な悪影響を最小限に抑え、これらの状況で書かれていない社会規範に従うことが重要です。
私たちの研究の目的は、混雑した環境における歩行者や知覚的に社会的なグループの動きを予測できるモデルを開発することです。
より正確な軌跡予測を生成するために、社会的に認識された LSTM を使用して、密集した環境での人間のグループと相互作用をモデル化する新しい社会的集団長期短期記憶 (SG-LSTM) モデルを導入します。
私たちのアプローチにより、混雑した環境でナビゲーション アルゴリズムが衝突のない経路をより高速かつ正確に計算できるようになります。
さらに、より広範なソーシャル ナビゲーション コミュニティ向けに、ラベル付けされた歩行者グループを含む大規模なビデオ データセットもリリースします。
さまざまなデータセット (ETH、ホテル、MOT15)​​ とさまざまな予測アプローチ (LIN、LSTM、O-LSTM、S-LSTM) およびランタイム パフォーマンスに関するさまざまなメトリックとの比較を示します。

要約(オリジナル)

With the increasing availability and affordability of personal robots, they will no longer be confined to large corporate warehouses or factories but will instead be expected to operate in less controlled environments alongside larger groups of people. In addition to ensuring safety and efficiency, it is crucial to minimize any negative psychological impact robots may have on humans and follow unwritten social norms in these situations. Our research aims to develop a model that can predict the movements of pedestrians and perceptually-social groups in crowded environments. We introduce a new Social Group Long Short-term Memory (SG-LSTM) model that models human groups and interactions in dense environments using a socially-aware LSTM to produce more accurate trajectory predictions. Our approach enables navigation algorithms to calculate collision-free paths faster and more accurately in crowded environments. Additionally, we also release a large video dataset with labeled pedestrian groups for the broader social navigation community. We show comparisons with different metrics on different datasets (ETH, Hotel, MOT15) and different prediction approaches (LIN, LSTM, O-LSTM, S-LSTM) as well as runtime performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google