Interaction-Aware Sampling-Based MPC with Learned Local Goal Predictions

要約

人間とロボットが混在する、インタラクションが豊富な緊密な環境での自律ロボットの動作計画は困難です。
最先端の方法は通常、予測と計画を分離し、最初に他のエージェントの軌道を予測し、次に残りの空き領域で自我エージェントの動きを計画します。
ただし、エージェントが他者への影響を認識していないことが、ロボットの凍結問題を引き起こす可能性があります。
私たちは、Interaction-Aware Model Predictive Path Integral (IA-MPPI) 制御を基盤として構築し、それを学習ベースの軌道予測と組み合わせることで、他のエージェントに伝達された短期目標への依存を緩和します。
私たちはこのフレームワークを都市運河を航行する自律水上船舶 (ASV) に適用します。
アムステルダムの運河の実際のセクションで人工データセットを生成し、私たちの領域に予測モデルを適応させてトレーニングし、地域の目標を抽出するためのヒューリスティックを提案することにより、計画における効果的な協力が可能になります。
私たちのアプローチは、複雑で混雑した環境におけるロボットの自律ナビゲーションを改善し、マルチエージェント システムや人間とロボットの相互作用に潜在的な影響を及ぼします。

要約(オリジナル)

Motion planning for autonomous robots in tight, interaction-rich, and mixed human-robot environments is challenging. State-of-the-art methods typically separate prediction and planning, predicting other agents’ trajectories first and then planning the ego agent’s motion in the remaining free space. However, agents’ lack of awareness of their influence on others can lead to the freezing robot problem. We build upon Interaction-Aware Model Predictive Path Integral (IA-MPPI) control and combine it with learning-based trajectory predictions, thereby relaxing its reliance on communicated short-term goals for other agents. We apply this framework to Autonomous Surface Vessels (ASVs) navigating urban canals. By generating an artificial dataset in real sections of Amsterdam’s canals, adapting and training a prediction model for our domain, and proposing heuristics to extract local goals, we enable effective cooperation in planning. Our approach improves autonomous robot navigation in complex, crowded environments, with potential implications for multi-agent systems and human-robot interaction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google