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

要約

人間とロボットの最適なインタラクション 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。
このペーパーでは、ユーザーのデモンストレーションから深度視覚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するための、知覚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紹介します。
当社の仮想現実インターフェイスを使用すると、動的なインタラクション シナリオでのユーザーの動きに応じた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が可能になります。
新しい認識パイプラインは、動き予測器と組み合わせて変分オートエンコーダーを登録します。
知覚された奥行き画像を潜在状態表現に圧縮して、ロボットの動的環境についての学習エージェントの効率的な推論を可能にします。
詳細な分析とアブレーション研究では、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して適用します。
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 コントローラーを実証します。
当社のアプローチを紹介する補足ビデオはオンラインでご覧いただけます。

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