SCOPE: Stochastic Cartographic Occupancy Prediction Engine for Uncertainty-Aware Dynamic Navigation

要約

この記事では、モバイルロボットが複雑な動的環境の将来の状態を予測できるようにする確率的地図作成予測予測エンジン（SCOPES）のファミリーを紹介します。
彼らは、ロボット自体の動き、動的オブジェクトの動き、シーン内の静的オブジェクトのジオメトリを説明することでこれを行い、環境の将来の状態の可能性のある範囲を生成します。
これらの予測エンジンは、混雑した動的シーンでのナビゲーションのためのリアルタイムパフォーマンスのためにソフトウェアを最適化し、他の最先端のエンジンよりも最大89倍の推論速度と8倍のメモリ使用量を達成します。
さまざまなロボットモデルによって収集された3つのシミュレーションおよび実際のデータセットを使用して、これらの提案された予測アルゴリズムが他のアルゴリズムよりも正確で堅牢な確率的予測パフォーマンスを実現できることを実証します。
さらに、一連のシミュレーションおよびハードウェアナビゲーション実験により、これらの確率的予測エンジンを使用した予測不確実性を認める予測ナビゲーションフレームワークが、現在の最先端モデルおよび学習ベースの制御ポリシーの安全なナビゲーションパフォーマンスを改善できることが示されています。

要約(オリジナル)

This article presents a family of Stochastic Cartographic Occupancy Prediction Engines (SCOPEs) that enable mobile robots to predict the future states of complex dynamic environments. They do this by accounting for the motion of the robot itself, the motion of dynamic objects, and the geometry of static objects in the scene, and they generate a range of possible future states of the environment. These prediction engines are software-optimized for real-time performance for navigation in crowded dynamic scenes, achieving up to 89 times faster inference speed and 8 times less memory usage than other state-of-the-art engines. Three simulated and real-world datasets collected by different robot models are used to demonstrate that these proposed prediction algorithms are able to achieve more accurate and robust stochastic prediction performance than other algorithms. Furthermore, a series of simulation and hardware navigation experiments demonstrate that the proposed predictive uncertainty-aware navigation framework with these stochastic prediction engines is able to improve the safe navigation performance of current state-of-the-art model- and learning-based control policies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google