Decentralized Social Navigation with Non-Cooperative Robots via Bi-Level Optimization

要約

この論文では、狭い出入り口を通過するナビゲーションや廊下の交差点での優先権の交渉など、ソーシャル ミニゲームにおけるリアルタイムの非協力的なマルチロボット ナビゲーションのための完全分散型アプローチを紹介します。
私たちの貢献は、新しいリアルタイム 2 レベル最適化アルゴリズムです。このアルゴリズムでは、トップレベルの最適化は、公平で衝突のない順序付けを計算することで構成され、その後、順序付けに条件付けされた最適な軌道を計画するボトムレベルの最適化が続きます。
このような優先順位が与えられると、これらのシナリオで人間がナビゲートする方法と同様に、優先速度からの逸脱を最小限に抑えて衝突のない軌道を計画するのに十分な単純な運動力学的制約を各ロボットに課すことができることを示します。
私たちは、提案されたアルゴリズムを、F$1/10$ ロボット、Clearpath Jackal、Boston Dynamics Spot を使用して現実世界に導入することに成功しました。また、SocialGym 2.0 マルチエージェント ソーシャル ナビゲーション シミュレーターを使用したシミュレーションにおいて、出入り口と廊下の交差点シナリオで導入することに成功しました。
。
マルチエージェント強化学習、衝突回避アルゴリズム、群衆シミュレーション モデルを使用した最先端のソーシャル ナビゲーション手法と比較します。
$(i)$ 古典的ナビゲーションは、スケジューリング プロトコルを使用しない $(ii)$ 最先端の学習ベースのソーシャル ナビゲーション アルゴリズムよりも $44\%$ 優れたパフォーマンスを発揮することを示します。私たちのアプローチはソーシャル ミニで衝突を引き起こします
-ゲーム $(iii)$ 私たちのアプローチは、出入り口や交差点で CADRL よりも $2\倍$ と $5\倍$ 少ない速度変化をもたらし、最終的に $(iv)$ 出入り口で $2.8 ～ 3.3 の流量で二段階ナビゲーションを実現します
$ (ms)$^{-1}$ は、人間のナビゲーションにおける流速 $4$ (ms)$^{-1}$ に相当します。

要約(オリジナル)

This paper presents a fully decentralized approach for realtime non-cooperative multi-robot navigation in social mini-games, such as navigating through a narrow doorway or negotiating right of way at a corridor intersection. Our contribution is a new realtime bi-level optimization algorithm, in which the top-level optimization consists of computing a fair and collision-free ordering followed by the bottom-level optimization which plans optimal trajectories conditioned on the ordering. We show that, given such a priority order, we can impose simple kinodynamic constraints on each robot that are sufficient for it to plan collision-free trajectories with minimal deviation from their preferred velocities, similar to how humans navigate in these scenarios. We successfully deploy the proposed algorithm in the real world using F$1/10$ robots, a Clearpath Jackal, and a Boston Dynamics Spot as well as in simulation using the SocialGym 2.0 multi-agent social navigation simulator, in the doorway and corridor intersection scenarios. We compare with state-of-the-art social navigation methods using multi-agent reinforcement learning, collision avoidance algorithms, and crowd simulation models. We show that $(i)$ classical navigation performs $44\%$ better than the state-of-the-art learning-based social navigation algorithms, $(ii)$ without a scheduling protocol, our approach results in collisions in social mini-games $(iii)$ our approach yields $2\times$ and $5\times$ fewer velocity changes than CADRL in doorways and intersections, and finally $(iv)$ bi-level navigation in doorways at a flow rate of $2.8 – 3.3$ (ms)$^{-1}$ is comparable to flow rate in human navigation at a flow rate of $4$ (ms)$^{-1}$.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google