Learning Crowd Behaviors in Navigation with Attention-based Spatial-Temporal Graphs

要約

人間と共有する動的環境における安全かつ効率的なナビゲーションは、移動ロボットにとって依然として未解決かつ困難な課題です。
これまでの研究では、強化学習フレームワークを使用して効率的なナビゲーションのためのポリシーをトレーニングすることの有効性が示されています。
ただし、群衆の構成が変化する、つまり、より大きくなったり、より複雑になったりすると、そのパフォーマンスは低下します。
したがって、ロボットのナビゲーションに先見の明のある積極的な行動をもたらす群衆の複雑で動的かつ洗練された相互作用を完全に理解することが重要です。
この論文では、ロボットのナビゲーションを強化するために時空間グラフを活用する、注意メカニズムに基づく新しいディープ グラフ学習アーキテクチャを提案します。
空間グラフを使用して現在の空間インタラクションをキャプチャし、RNN との統合により、時間グラフは過去の軌跡情報を利用して各エージェントの将来の意図を推測します。
時空間グラフ推論能力により、ロボットは時間と空間にわたるエージェント間の関係をよりよく理解し、解釈できるようになり、より多くの情報に基づいた意思決定を行うことができます。
以前の最先端の方法と比較して、私たちの方法は、さまざまな困難なシナリオにおいて、安全性、効率性、汎用性の点で優れた堅牢性を示しています。

要約(オリジナル)

Safe and efficient navigation in dynamic environments shared with humans remains an open and challenging task for mobile robots. Previous works have shown the efficacy of using reinforcement learning frameworks to train policies for efficient navigation. However, their performance deteriorates when crowd configurations change, i.e. become larger or more complex. Thus, it is crucial to fully understand the complex, dynamic, and sophisticated interactions of the crowd resulting in proactive and foresighted behaviors for robot navigation. In this paper, a novel deep graph learning architecture based on attention mechanisms is proposed, which leverages the spatial-temporal graph to enhance robot navigation. We employ spatial graphs to capture the current spatial interactions, and through the integration with RNN, the temporal graphs utilize past trajectory information to infer the future intentions of each agent. The spatial-temporal graph reasoning ability allows the robot to better understand and interpret the relationships between agents over time and space, thereby making more informed decisions. Compared to previous state-of-the-art methods, our method demonstrates superior robustness in terms of safety, efficiency, and generalization in various challenging scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google