Intention Aware Robot Crowd Navigation with Attention-Based Interaction Graph

要約

【タイトル】意図を考慮したロボット群衆ナビゲーション：アテンションベースの相互作用グラフ
【要約】
– ロボットの密集した群衆内での安全かつ意図を理解したナビゲーションの問題を研究している。
– 以前の強化学習（RL）ベースの手法は、全てのエージェント間の異なるタイプの相互作用を考慮せず、もしくは人々の意図を無視したため、性能の低下が発生した。
– 安全かつ効率的なロボットポリシーを学習するために、宇宙と時間を介してエージェント間の異種の相互作用を捉えるためのアテンションメカニズムを持つ新しい再帰型グラフニューラルネットワークを提案する。
– 長期的なロボットの振る舞いを促すために、数時間先の将来の軌跡を予測することでダイナミックなエージェントの意図を推論する。予測は、他のエージェントの意図されたパスに侵入しないようにするためにモデルフリーRLフレームワークに組み込まれる。
– 提案手法は、課題のある群衆ナビゲーションシナリオにおいて、ロボットが良好なナビゲーション性能と非侵襲性を実現することを示す。シミュレーションで学習したポリシーをTurtleBot 2iの実世界に正常に転送することができた。
– コードとビデオはhttps://sites.google.com/view/intention-aware-crowdnav/homeで公開されている。

要約(オリジナル)

We study the problem of safe and intention-aware robot navigation in dense and interactive crowds. Most previous reinforcement learning (RL) based methods fail to consider different types of interactions among all agents or ignore the intentions of people, which results in performance degradation. To learn a safe and efficient robot policy, we propose a novel recurrent graph neural network with attention mechanisms to capture heterogeneous interactions among agents through space and time. To encourage longsighted robot behaviors, we infer the intentions of dynamic agents by predicting their future trajectories for several timesteps. The predictions are incorporated into a model-free RL framework to prevent the robot from intruding into the intended paths of other agents. We demonstrate that our method enables the robot to achieve good navigation performance and non-invasiveness in challenging crowd navigation scenarios. We successfully transfer the policy learned in simulation to a real-world TurtleBot 2i. Our code and videos are available at https://sites.google.com/view/intention-aware-crowdnav/home.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI