LiveNet: Robust, Minimally Invasive Multi-Robot Control for Safe and Live Navigation in Constrained Environments

要約

人口が密集した現実世界の環境におけるロボットは、狭い出入り口、廊下、廊下の交差点を通過するなど、制約があり雑然とした状況に頻繁に遭遇します。そこでは、限られたスペースでの衝突によりロボット間の衝突やデッドロックが発生します。
現在の分散型の最先端の最適化およびニューラル ネットワーク ベースのアプローチは、(i) 主に一般的なオープン スペース向けに設計されており、(ii) 過度に保守的であり、安全性または稼働性のいずれかを保証しますが、両方を保証するわけではありません。
一部のソリューションは集中的な競合解決に依存していますが、その非常に侵襲的な軌道により、現実世界の展開には非現実的です。
この論文では、完全に分散化された堅牢なニューラル ネットワーク コントローラーである LiveNet を紹介します。LiveNet は、人間のような譲歩と追い越しを可能にし、混雑した紛争が起こりやすい空間での機敏で非保守的でデッドロックのない安全なナビゲーションを実現します。
LiveNet は侵襲性が最小限であり、エージェント間の通信や協力的な動作を必要としません。
LiveNet の背後にある重要な洞察は、安全性と稼働性を同時に実現する統合 CBF 定式化であり、これをニューラル ネットワーク内に統合して堅牢性を実現します。
LiveNet をシミュレーションで評価したところ、一般的なマルチロボット最適化および学習ベースのナビゲーション手法は目標にすら到達できず、そのような環境向けに特別に設計された手法は成功するものの、10 ～ 20 倍、4 ～ 5 倍遅いことがわかりました。
より侵襲的であり、特に開始状態や目標状態の変更などのシナリオ構成の変化に対する堅牢性ははるかに低くなります。
LiveNet コードは https://github.com/srikarg89/LiveNet{https://github.com/srikarg89/LiveNet でオープンソースです。

要約(オリジナル)

Robots in densely populated real-world environments frequently encounter constrained and cluttered situations such as passing through narrow doorways, hallways, and corridor intersections, where conflicts over limited space result in collisions or deadlocks among the robots. Current decentralized state-of-the-art optimization- and neural network-based approaches (i) are predominantly designed for general open spaces, and (ii) are overly conservative, either guaranteeing safety, or liveness, but not both. While some solutions rely on centralized conflict resolution, their highly invasive trajectories make them impractical for real-world deployment. This paper introduces LiveNet, a fully decentralized and robust neural network controller that enables human-like yielding and passing, resulting in agile, non-conservative, deadlock-free, and safe, navigation in congested, conflict-prone spaces. LiveNet is minimally invasive, without requiring inter-agent communication or cooperative behavior. The key insight behind LiveNet is a unified CBF formulation for simultaneous safety and liveness, which we integrate within a neural network for robustness. We evaluated LiveNet in simulation and found that general multi-robot optimization- and learning-based navigation methods fail to even reach the goal, and while methods designed specially for such environments do succeed, they are 10-20 times slower, 4-5 times more invasive, and much less robust to variations in the scenario configuration such as changes in the start states and goal states, among others. We open-source the LiveNet code at https://github.com/srikarg89/LiveNet{https://github.com/srikarg89/LiveNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google