Causality-enhanced Decision-Making for Autonomous Mobile Robots in Dynamic Environments

要約

倉庫、ショッピングセンター、病院などの共有環境でのロボットの統合の拡大は、個人がさまざまな活動や相互作用に従事する方法、いつ、どこで関与するかなど、根本的なダイナミクスと人間の行動を深く理解する必要があります。
この知識は、単純な相関研究を超えており、より包括的な因果分析が必要です。
原因推論を活用して原因と効果の関係をモデル化することにより、重要な環境要因をより適切に予測し、自律的なロボットがタスクをより効果的に計画および実行できるようにすることができます。
この目的のために、私たちは、学習した因果モデルよりもバッテリーの使用と人間の妨害を予測する理由を理由にして、これらの要因がロボットタスクの実行にどのように影響するかを理解するための新しい因果関係に基づいた意思決定フレームワークを提案します。
このような推論フレームワークは、特定のタスクをいつ、どのように完了するかを決定する際にロボットを支援します。
これを達成するために、共有ワークスペースでのコンテキストに敏感な人間ロボット空間的相互作用をモデル化するように設計された新しいガゼボベースのシミュレーターであるPeopleFlowも開発しました。
PeopleFlowは、時間、環境のレイアウト、ロボット状態などのコンテキスト要因の影響を受ける現実的な人間およびロボットの軌跡を特徴としており、多数のエージェントをシミュレートできます。
シミュレーターは汎用ですが、このホワイトペーパーでは、ケーススタディとして倉庫のような環境に焦点を当て、非因果的なベースラインに対する因果アプローチを大幅に実施しています。
私たちの調査結果は、提案されたソリューションの有効性を示しており、因果的推論により、自律的なロボットが人間と共有された動的環境でより効率的かつ安全に動作することを強調しています。

要約(オリジナル)

The growing integration of robots in shared environments — such as warehouses, shopping centres, and hospitals — demands a deep understanding of the underlying dynamics and human behaviours, including how, when, and where individuals engage in various activities and interactions. This knowledge goes beyond simple correlation studies and requires a more comprehensive causal analysis. By leveraging causal inference to model cause-and-effect relationships, we can better anticipate critical environmental factors and enable autonomous robots to plan and execute tasks more effectively. To this end, we propose a novel causality-based decision-making framework that reasons over a learned causal model to predict battery usage and human obstructions, understanding how these factors could influence robot task execution. Such reasoning framework assists the robot in deciding when and how to complete a given task. To achieve this, we developed also PeopleFlow, a new Gazebo-based simulator designed to model context-sensitive human-robot spatial interactions in shared workspaces. PeopleFlow features realistic human and robot trajectories influenced by contextual factors such as time, environment layout, and robot state, and can simulate a large number of agents. While the simulator is general-purpose, in this paper we focus on a warehouse-like environment as a case study, where we conduct an extensive evaluation benchmarking our causal approach against a non-causal baseline. Our findings demonstrate the efficacy of the proposed solutions, highlighting how causal reasoning enables autonomous robots to operate more efficiently and safely in dynamic environments shared with humans.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google