A Hybrid Approach to Indoor Social Navigation: Integrating Reactive Local Planning and Proactive Global Planning

要約

ここでは、ロボットが、自由に動き回る人間と衝突することなく、できるだけ早くゴール地点に到達しなければならない。様々な群衆密度、予測不可能な人間の行動、屋内空間の制約などの要因が、ナビゲーションタスクに大きな複雑さを加えるため、より高度なアプローチが必要となる。我々は、古典的手法と深層強化学習（Deep Reinforcement Learning: DRL）の両方の長所を活用したモジュラーナビゲーションフレームワークを提案する。本アプローチでは、グローバルプランナーを用いてウェイポイントを生成し、予測される歩行者の位置周辺にソフトコストを割り当てることで、将来起こりうる人間の位置周辺への注意を促す。同時に、DRLによるローカル・プランナーが、衝突を回避しながらこれらのウェイポイントを追跡する。これらのプランナーを組み合わせることで、エージェントは複雑な操縦を行い、混雑した制約のある環境を効果的にナビゲートし、信頼性を向上させることができる。ソーシャルナビゲーションに関する既存の研究の多くは、単純化された環境やオープンな環境で実施されており、複雑な実環境において学習済みモデルが優れたパフォーマンスを発揮することは限られている。この分野の研究を前進させるために、屋内環境におけるソーシャルナビゲーション戦略の開発とテストを容易にするように設計された新しい2Dベンチマークを紹介する。我々の手法を従来のナビゲーション戦略とRLベースのナビゲーション戦略に対してベンチマークを行い、我々の手法が両者を凌駕することを実証する。

要約(オリジナル)

We consider the problem of indoor building-scale social navigation, where the robot must reach a point goal as quickly as possible without colliding with humans who are freely moving around. Factors such as varying crowd densities, unpredictable human behavior, and the constraints of indoor spaces add significant complexity to the navigation task, necessitating a more advanced approach. We propose a modular navigation framework that leverages the strengths of both classical methods and deep reinforcement learning (DRL). Our approach employs a global planner to generate waypoints, assigning soft costs around anticipated pedestrian locations, encouraging caution around potential future positions of humans. Simultaneously, the local planner, powered by DRL, follows these waypoints while avoiding collisions. The combination of these planners enables the agent to perform complex maneuvers and effectively navigate crowded and constrained environments while improving reliability. Many existing studies on social navigation are conducted in simplistic or open environments, limiting the ability of trained models to perform well in complex, real-world settings. To advance research in this area, we introduce a new 2D benchmark designed to facilitate development and testing of social navigation strategies in indoor environments. We benchmark our method against traditional and RL-based navigation strategies, demonstrating that our approach outperforms both.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL