Integrating Predictive Motion Uncertainties with Distributionally Robust Risk-Aware Control for Safe Robot Navigation in Crowds

要約

自律移動ロボットにとって、人が住む環境での安全なナビゲーションを確保することは非常に重要です。
最近の機械学習の進歩により、混雑したエリアで人間の軌跡を予測する有望な方法が提供されていますが、人間の動きの不確実な性質により、これらのモデルの予測が不正確になる可能性があるため、これらの学習されたモデルを制御ループに安全に組み込む方法は依然として不明です。
この研究では、この課題に取り組み、分布的にロバストな確率制約モデル予測制御 (DRCC-MPC) を導入します。これは、(i) 事前に指定された解釈可能なリスク指標として衝突確率を採用し、(ii) 堅牢性を提供します。
実際の人間の軌跡とその予測との間の矛盾に対して。
私たちは衝突のリスクを偶然の制約の形で考慮し、ロボットの安全性の解釈可能な尺度を提供します。
チャンス制約のリアルタイム評価を可能にするために、分布的に堅牢な条件値アットリスク制約の形でチャンス制約の保守的な近似を考慮します。
結果として得られる定式化は、計算効率と、分布外の人間の動きに対する堅牢性を提供します。
サンプリングベースの最適化手法の並列化により、私たちの方法はリアルタイムで動作し、現実世界の歩行者データを使用した多くのケーススタディで成功した安全なナビゲーションを実証しています。

要約(オリジナル)

Ensuring safe navigation in human-populated environments is crucial for autonomous mobile robots. Although recent advances in machine learning offer promising methods to predict human trajectories in crowded areas, it remains unclear how one can safely incorporate these learned models into a control loop due to the uncertain nature of human motion, which can make predictions of these models imprecise. In this work, we address this challenge and introduce a distributionally robust chance-constrained model predictive control (DRCC-MPC) which: (i) adopts a probability of collision as a pre-specified, interpretable risk metric, and (ii) offers robustness against discrepancies between actual human trajectories and their predictions. We consider the risk of collision in the form of a chance constraint, providing an interpretable measure of robot safety. To enable real-time evaluation of chance constraints, we consider conservative approximations of chance constraints in the form of distributionally robust Conditional Value at Risk constraints. The resulting formulation offers computational efficiency as well as robustness with respect to out-of-distribution human motion. With the parallelization of a sampling-based optimization technique, our method operates in real-time, demonstrating successful and safe navigation in a number of case studies with real-world pedestrian data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google