Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation

要約

ソーシャル ロボット ナビゲーションは、日常生活のさまざまな状況で役立ちますが、人間とロボットの安全な対話と効率的な軌道計画が必要です。
ペア関係のモデル化はマルチエージェント対話システムで広く研究されていますが、より大規模なグループごとの活動を捕捉する能力は限られています。
この論文では、根底にある動的に進化する関係構造の明示的な推論を伴う体系的な関係推論アプローチを提案し、マルチエージェントの軌道予測とソーシャルロボットナビゲーションに対するその有効性を実証します。
ノードのペア (つまり、エージェント) 間のエッジに加えて、教師なしの方法でグループごとの推論を可能にするために複数のノードを適応的に接続するハイパーエッジを推論することを提案します。
私たちのアプローチは、動的に進化する関係グラフとハイパーグラフを推論して関係の進化を捕捉し、軌道予測器が将来の状態を生成するために使用します。
一方、学習された関係の鮮明さとまばらさ、および関係の進化の滑らかさを正規化することを提案します。これにより、トレーニングの安定性とモデルのパフォーマンスが向上することがわかります。
提案されたアプローチは、合成群衆シミュレーションと現実世界のベンチマーク データセットで検証されています。
実験では、このアプローチが合理的な関係を推測し、最先端の予測パフォーマンスを達成することが実証されています。
さらに、関係推論と軌道予測を体系的に組み込んだ、ソーシャル ロボット ナビゲーションのための深層強化学習 (DRL) フレームワークを紹介します。
グループベースの群衆シミュレーションでは、私たちの方法は、密集したインタラクティブなシナリオにおける安全性、効率性、社会的コンプライアンスの点で最も強力なベースラインを大幅に上回りました。
また、現実世界のロボット実験を使用して、この方法の実用的な適用可能性を実証します。
コードとビデオは https://relational-reasoning-nav.github.io/ でご覧いただけます。

要約(オリジナル)

Social robot navigation can be helpful in various contexts of daily life but requires safe human-robot interactions and efficient trajectory planning. While modeling pairwise relations has been widely studied in multi-agent interacting systems, the ability to capture larger-scale group-wise activities is limited. In this paper, we propose a systematic relational reasoning approach with explicit inference of the underlying dynamically evolving relational structures, and we demonstrate its effectiveness for multi-agent trajectory prediction and social robot navigation. In addition to the edges between pairs of nodes (i.e., agents), we propose to infer hyperedges that adaptively connect multiple nodes to enable group-wise reasoning in an unsupervised manner. Our approach infers dynamically evolving relation graphs and hypergraphs to capture the evolution of relations, which the trajectory predictor employs to generate future states. Meanwhile, we propose to regularize the sharpness and sparsity of the learned relations and the smoothness of the relation evolution, which proves to enhance training stability and model performance. The proposed approach is validated on synthetic crowd simulations and real-world benchmark datasets. Experiments demonstrate that the approach infers reasonable relations and achieves state-of-the-art prediction performance. In addition, we present a deep reinforcement learning (DRL) framework for social robot navigation, which incorporates relational reasoning and trajectory prediction systematically. In a group-based crowd simulation, our method outperforms the strongest baseline by a significant margin in terms of safety, efficiency, and social compliance in dense, interactive scenarios. We also demonstrate the practical applicability of our method with real-world robot experiments. The code and videos can be found at https://relational-reasoning-nav.github.io/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google