CrowdSurfer: Sampling Optimization Augmented with Vector-Quantized Variational AutoEncoder for Dense Crowd Navigation

要約

移動ロボットにとって、密集した群衆の間でのナビゲーションは依然として課題です。
環境のレイアウトが変更されると複雑さはさらに増し、以前に計算されたグローバル プランは実行不可能になります。
この論文では、ローカル プランナーを改良するだけで群集ナビゲーションを劇的に強化できることを示します。
私たちのアプローチは、生成モデリングと推論時間の最適化を組み合わせて、洗練された長期的なローカル計画を対話型の速度で生成します。
より具体的には、ベクトル量子化変分オートエンコーダーをトレーニングして、知覚入力を条件としたエキスパート軌跡分布に対する事前分布を学習します。
実行時、これはサンプリング ベースのオプティマイザーの初期化として使用され、さらに改良されます。
私たちのアプローチは、動的障害物の高度な予測を必要とせず、最先端のパフォーマンスを提供します。
特に、最近の DRL-VO アプローチと比較すると、成功率が 40%、移動時間が 6% 向上したことがわかります。

要約(オリジナル)

Navigation amongst densely packed crowds remains a challenge for mobile robots. The complexity increases further if the environment layout changes, making the prior computed global plan infeasible. In this paper, we show that it is possible to dramatically enhance crowd navigation by just improving the local planner. Our approach combines generative modelling with inference time optimization to generate sophisticated long-horizon local plans at interactive rates. More specifically, we train a Vector Quantized Variational AutoEncoder to learn a prior over the expert trajectory distribution conditioned on the perception input. At run-time, this is used as an initialization for a sampling-based optimizer for further refinement. Our approach does not require any sophisticated prediction of dynamic obstacles and yet provides state-of-the-art performance. In particular, we compare against the recent DRL-VO approach and show a 40% improvement in success rate and a 6% improvement in travel time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google