Social Navigation in Crowded Environments with Model Predictive Control and Deep Learning-Based Human Trajectory Prediction

要約

群衆ナビゲーションは、過去数十年にわたって研究者からますます注目を集めており、その結果、現在までにこの問題に対処することを目的とした数多くのアプローチが登場しています。
私たちが提案するアプローチは、エージェントの動作予測とフリーズロボットの問題を回避するための計画を組み合わせ、同時に最先端の軌道予測モデル、つまり社会的長期短期記憶モデル（Social-LSTM）を利用してマルチエージェントの社会的相互作用を捕捉します。
。
ロボットの可能な動作を考慮して各タイムステップでの歩行者の将来の軌道を予測するために Social-LSTM の出力を活用することで、私たちのフレームワークはモデル予測制御 (MPC) を使用してロボットが歩行者の間を移動するための最適な制御動作を計算します。
私たちは、シミュレートされた群衆ナビゲーションの複数のシナリオで提案したアプローチの有効性を実証し、それをいくつかの最先端の強化学習ベースの方法と比較します。

要約(オリジナル)

Crowd navigation has received increasing attention from researchers over the last few decades, resulting in the emergence of numerous approaches aimed at addressing this problem to date. Our proposed approach couples agent motion prediction and planning to avoid the freezing robot problem while simultaneously capturing multi-agent social interactions by utilizing a state-of-the-art trajectory prediction model i.e., social long short-term memory model (Social-LSTM). Leveraging the output of Social-LSTM for the prediction of future trajectories of pedestrians at each time-step given the robot’s possible actions, our framework computes the optimal control action using Model Predictive Control (MPC) for the robot to navigate among pedestrians. We demonstrate the effectiveness of our proposed approach in multiple scenarios of simulated crowd navigation and compare it against several state-of-the-art reinforcement learning-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google