SANGO: Socially Aware Navigation through Grouped Obstacles

要約

この論文では、障害物を動的にグループ化し、社会規範を遵守することで社会的に適切な行動を保証する新しい手法である SANGO (Socially Aware Navigation through Grouped Obstacles) を紹介します。
SANGO は、深層強化学習を使用して、障害物のクラスタリングには DBSCAN アルゴリズム、経路計画には近接ポリシー最適化 (PPO) を活用して、複雑な環境をナビゲートするエージェントを訓練します。
提案されたアプローチは、適切な距離を維持し、衝突率を減らすことにより、安全性と社会的コンプライアンスを向上させます。
カスタム シミュレーション環境で行われた広範な実験により、不快感を大幅に軽減し (最大 83.5%)、衝突率を軽減し (最大 29.4%)、動的で混雑したシナリオでより高い成功率のナビゲーションを達成するという SANGO の優れたパフォーマンスが実証されました。
これらの発見は、現実世界への応用における SANGO の可能性を浮き彫りにし、高度な社会に熟達したロボット ナビゲーション システムへの道を切り開きます。

要約(オリジナル)

This paper introduces SANGO (Socially Aware Navigation through Grouped Obstacles), a novel method that ensures socially appropriate behavior by dynamically grouping obstacles and adhering to social norms. Using deep reinforcement learning, SANGO trains agents to navigate complex environments leveraging the DBSCAN algorithm for obstacle clustering and Proximal Policy Optimization (PPO) for path planning. The proposed approach improves safety and social compliance by maintaining appropriate distances and reducing collision rates. Extensive experiments conducted in custom simulation environments demonstrate SANGO’s superior performance in significantly reducing discomfort (by up to 83.5%), reducing collision rates (by up to 29.4%) and achieving higher successful navigation in dynamic and crowded scenarios. These findings highlight the potential of SANGO for real-world applications, paving the way for advanced socially adept robotic navigation systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google