Improving Reliable Navigation under Uncertainty via Predictions Informed by Non-Local Information

要約

ローカルでは利用できない情報を使用して、目に見えない空間に入る時間的に延長されたアクションの良さを予測することにより、部分的にマップされた環境における信頼性の高い長期的な目標指向のナビゲーションを向上させます。
一般に、どこに移動するかを予測するには、非局所的な情報が必要です。ロボットがこれまでに見た観察は、特定の進行方向の良さに関する情報を提供する可能性があります。
不確実性の下での学習拡張モデルベースの計画に関する最近の研究に基づいて、非局所情報に依存して予測を行うことができ (グラフ ニューラル ネットワークを介して)、設計上信頼性があり、常に目標を達成するアプローチを提案します。
学習によって正確な予測が得られない場合でも。
私たちは、適切なパフォーマンスを得るために非ローカル情報が必要な 3 つのシミュレートされた環境で実験を行います。
実際のフロアプランからスケールに合わせて生成された大規模な大学の建物環境では、学習されていないベースラインと比較して持出コストが 9.3 \% 削減され、学習情報に基づいたベースラインと比較して 14.9 \% 削減されることが実証されています。
ローカル情報のみを使用して予測を通知できるプランナー。

要約(オリジナル)

We improve reliable, long-horizon, goal-directed navigation in partially-mapped environments by using non-locally available information to predict the goodness of temporally-extended actions that enter unseen space. Making predictions about where to navigate in general requires non-local information: any observations the robot has seen so far may provide information about the goodness of a particular direction of travel. Building on recent work in learning-augmented model-based planning under uncertainty, we present an approach that can both rely on non-local information to make predictions (via a graph neural network) and is reliable by design: it will always reach its goal, even when learning does not provide accurate predictions. We conduct experiments in three simulated environments in which non-local information is needed to perform well. In our large scale university building environment, generated from real-world floorplans to the scale, we demonstrate a 9.3\% reduction in cost-to-go compared to a non-learned baseline and a 14.9\% reduction compared to a learning-informed planner that can only use local information to inform its predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google