From Crowd Motion Prediction to Robot Navigation in Crowds

要約

混雑した環境でのロボットのナビゲーションに焦点を当てています。
群衆の中を安全かつ効率的に移動するために、ロボットには群衆の動きを予測するためのモデルが必要です。
このようなモデルの構築は、マルチエージェント ドメインの高次元性と、インタラクションが豊富なクラウド ロボットのデモを収集またはシミュレートするという課題のために困難です。
オフラインの歩行者の動きを予測するためのモデルには重要な進歩がありましたが、実際のロボットにモデルのパフォーマンスを適用することは、密接な対話設定とユーザーへの斬新な影響により、簡単ではありません。
このホワイト ペーパーでは、クラウド ナビゲーション タスクに対する最近の最先端のモーション予測モデル (S-GAN) の有用性を調査します。
このモデルをモデル予測コントローラー (MPC) に組み込み、自己平衡ロボットに展開します。このロボットは、ラボでさまざまな群衆の行動にさらされます。
S-GAN モーション予測の精度は現実の世界に移行しますが、その値は安全性と効率に関して測定されたナビゲーション パフォーマンスには反映されないことを示します。
実際、単純な一定速度の予測モデルを使用した場合でも、MPC は区別なく動作します。これは、クラウド ナビゲーション タスクで大幅な利益を得るには、大幅なモデルの改善が必要になる可能性があることを示唆しています。
私たちの実験の映像は、https://youtu.be/mzFiXg8KsZ0 にあります。

要約(オリジナル)

We focus on robot navigation in crowded environments. To navigate safely and efficiently within crowds, robots need models for crowd motion prediction. Building such models is hard due to the high dimensionality of multiagent domains and the challenge of collecting or simulating interaction-rich crowd-robot demonstrations. While there has been important progress on models for offline pedestrian motion forecasting, transferring their performance on real robots is nontrivial due to close interaction settings and novelty effects on users. In this paper, we investigate the utility of a recent state-of-the-art motion prediction model (S-GAN) for crowd navigation tasks. We incorporate this model into a model predictive controller (MPC) and deploy it on a self-balancing robot which we subject to a diverse range of crowd behaviors in the lab. We demonstrate that while S-GAN motion prediction accuracy transfers to the real world, its value is not reflected on navigation performance, measured with respect to safety and efficiency; in fact, the MPC performs indistinguishably even when using a simple constant-velocity prediction model, suggesting that substantial model improvements might be needed to yield significant gains for crowd navigation tasks. Footage from our experiments can be found at https://youtu.be/mzFiXg8KsZ0.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google