Enhancing Robot Navigation Policies with Task-Specific Uncertainty Managements

要約

複雑な環境をナビゲートするロボットは、センサーノイズ、環境の変化、不完全な情報から不確実性を管理する必要があり、さまざまなレベルの精度を必要とするさまざまなタスクを備えています。
たとえば、正確なローカリゼーションは障害物の近くで重要である可能性がありますが、オープンスペースではそれほど重要ではありません。
ガイド（意思決定と実行のための一般化された不確実性統合）を提示します。これは、タスク固有の不確実性マップ（TSUM）を介してこれらのタスク固有の要件をナビゲーションポリシーに統合するフレームワークです。
許容可能な不確実性レベルをさまざまな場所に割り当てることにより、TSUMはロボットがコンテキストに基づいて不確実性管理を適応させることができます。
強化学習と組み合わせると、ガイドは、広範な報酬エンジニアリングなしでタスクの完了と不確実性管理のバランスをとるポリシーを学びます。
現実世界のテストは、タスク固有の不確実性の認識を欠く方法に対して大幅なパフォーマンスの向上を示しています。

要約(オリジナル)

Robots navigating complex environments must manage uncertainty from sensor noise, environmental changes, and incomplete information, with different tasks requiring varying levels of precision in different areas. For example, precise localization may be crucial near obstacles but less critical in open spaces. We present GUIDE (Generalized Uncertainty Integration for Decision-Making and Execution), a framework that integrates these task-specific requirements into navigation policies via Task-Specific Uncertainty Maps (TSUMs). By assigning acceptable uncertainty levels to different locations, TSUMs enable robots to adapt uncertainty management based on context. When combined with reinforcement learning, GUIDE learns policies that balance task completion and uncertainty management without extensive reward engineering. Real-world tests show significant performance gains over methods lacking task-specific uncertainty awareness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google