Foresight Social-aware Reinforcement Learning for Robot Navigation

要約

ロボットが衝突を回避しながらナビゲーション タスクを処理する場合、混雑した複雑な環境では、安定した均質な環境ほどパフォーマンスは向上しません。
これにより、成功率が低くなり、効率が低下することがよくあります。
したがって、我々は、移動ロボットが衝突のないナビゲーションを実現するための新しい Foresight 社会認識強化学習 (FSRL) フレームワークを提案します。
以前の学習ベースの方法と比較して、私たちのアプローチは先見の明があります。
当面の衝突を回避するために現在の人間とロボットの相互作用を考慮するだけでなく、将来的に距離を保つために今後の社会的相互作用も推定します。
さらに、ナビゲーション時間を大幅に短縮する効率の制約が私たちのアプローチに導入されています。
比較実験は、より現実的で困難な模擬環境下で提案手法の有効性と効率を検証するために実行されます。

要約(オリジナル)

When robots handle navigation tasks while avoiding collisions, they perform in crowded and complex environments not as good as in stable and homogeneous environments. This often results in a low success rate and poor efficiency. Therefore, we propose a novel Foresight Social-aware Reinforcement Learning (FSRL) framework for mobile robots to achieve collision-free navigation. Compared to previous learning-based methods, our approach is foresighted. It not only considers the current human-robot interaction to avoid an immediate collision, but also estimates upcoming social interactions to still keep distance in the future. Furthermore, an efficiency constraint is introduced in our approach that significantly reduces navigation time. Comparative experiments are performed to verify the effectiveness and efficiency of our proposed method under more realistic and challenging simulated environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google