SG-LSTM: Social Group LSTM for Robot Navigation Through Dense Crowds

要約

パーソナル ロボットの可用性と手頃な価格の増加に伴い、パーソナル ロボットはもはや企業の大規模な倉庫や工場に限定されることはなく、より多くの人々のグループと一緒に、あまり制御されていない環境で動作することが期待されます。
安全性と効率性を確保することに加えて、ロボットが人間に与える可能性のあるマイナスの心理的影響を最小限に抑え、このような状況では暗黙の社会規範に従うことが重要です。
私たちの研究は、混雑した環境における歩行者や知覚社会集団の動きを予測できるモデルを開発することを目的としています。
より正確な軌跡予測を生成するために、社会を意識した LSTM を使用して密集環境における人間のグループと相互作用をモデル化する、新しい社会集団長期短期記憶 (SG-LSTM) モデルを導入します。
私たちのアプローチにより、ナビゲーション アルゴリズムが混雑した環境で衝突のない経路をより高速かつ正確に計算できるようになります。
さらに、より広範なソーシャル ナビゲーション コミュニティ向けに、ラベル付きの歩行者グループを含む大規模なビデオ データセットもリリースします。
さまざまなデータセット (ETH、ホテル、MOT15)​​ およびさまざまな予測アプローチ (LIN、LSTM、O-LSTM、S-LSTM) に関するさまざまなメトリクスとの比較、および実行時のパフォーマンスを示します。

要約(オリジナル)

With the increasing availability and affordability of personal robots, they will no longer be confined to large corporate warehouses or factories but will instead be expected to operate in less controlled environments alongside larger groups of people. In addition to ensuring safety and efficiency, it is crucial to minimize any negative psychological impact robots may have on humans and follow unwritten social norms in these situations. Our research aims to develop a model that can predict the movements of pedestrians and perceptually-social groups in crowded environments. We introduce a new Social Group Long Short-term Memory (SG-LSTM) model that models human groups and interactions in dense environments using a socially-aware LSTM to produce more accurate trajectory predictions. Our approach enables navigation algorithms to calculate collision-free paths faster and more accurately in crowded environments. Additionally, we also release a large video dataset with labeled pedestrian groups for the broader social navigation community. We show comparisons with different metrics on different datasets (ETH, Hotel, MOT15) and different prediction approaches (LIN, LSTM, O-LSTM, S-LSTM) as well as runtime performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google