CrowdSurfer: Sampling Optimization Augmented with Vector-Quantized Variational AutoEncoder for Dense Crowd Navigation

要約

密集した群衆の間のナビゲーションは、依然としてモバイルロボットにとって課題です。
環境のレイアウトが変更され、以前の計算されたグローバルプランが実行不可能になると、複雑さがさらに増加し​​ます。
この論文では、地元のプランナーを改善するだけで、群衆のナビゲーションを劇的に強化することが可能であることを示しています。
私たちのアプローチでは、生成モデリングと推論時間最適化を組み合わせて、洗練された長期のローカルプランをインタラクティブレートで生成します。
より具体的には、ベクトル量子化された変動自動エンコーダーをトレーニングして、知覚入力を条件にした専門家の軌跡分布を超えて学習します。
実行時には、これはサンプリングベースのオプティマイザーの初期化として使用され、さらなる改良のために使用されます。
私たちのアプローチでは、動的障害の洗練された予測は必要ありませんが、最先端のパフォーマンスを提供します。
特に、最近のDRL-VOアプローチと比較して、成功率の40％の改善と移動時間の6％の改善を示しています。

要約(オリジナル)

Navigation amongst densely packed crowds remains a challenge for mobile robots. The complexity increases further if the environment layout changes, making the prior computed global plan infeasible. In this paper, we show that it is possible to dramatically enhance crowd navigation by just improving the local planner. Our approach combines generative modelling with inference time optimization to generate sophisticated long-horizon local plans at interactive rates. More specifically, we train a Vector Quantized Variational AutoEncoder to learn a prior over the expert trajectory distribution conditioned on the perception input. At run-time, this is used as an initialization for a sampling-based optimizer for further refinement. Our approach does not require any sophisticated prediction of dynamic obstacles and yet provides state-of-the-art performance. In particular, we compare against the recent DRL-VO approach and show a 40% improvement in success rate and a 6% improvement in travel time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google