Learning Social Navigation from Demonstrations with Deep Neural Networks

要約

従来の経路計画手法では、人間を障害物として扱います。
ロボットが人間の環境に侵入し始めてから、この状況は変わりました。
最新のロボットでは、ソーシャル ナビゲーションがナビゲーション システムの重要な側面になっています。
学習ベースの手法を使用してソーシャル ナビゲーションを実現するには、できるだけ少ないデータで複雑な機能を表現できる強力なフレームワークが必要です。
この研究では、グローバルとローカルの両方の計画レベルでディープラーニングの最近の進歩の恩恵を受け、シミュレートされたロボット上で人間を意識したナビゲーションを実現しました。
2 つの異なるディープ モデルがそれぞれの目的でトレーニングされます。1 つはグローバル プランニング用、もう 1 つはローカル プランニング用です。
これらのモデルはシミュレートされたロボットに使用されます。
最終的に、私たちのモデルはグローバルな計画タスクとローカルな計画タスクの両方を正常に実行できることが示されました。
私たちのシステムは、フィードフォワード ニューラル ネットワークと比較して、より優れたパフォーマンスで障害物を回避しながらターゲットに到達するパスを生成できることを示しました。

要約(オリジナル)

Traditional path-planning techniques treat humans as obstacles. This has changed since robots started to enter human environments. On modern robots, social navigation has become an important aspect of navigation systems. To use learning-based techniques to achieve social navigation, a powerful framework that is capable of representing complex functions with as few data as possible is required. In this study, we benefited from recent advances in deep learning at both global and local planning levels to achieve human-aware navigation on a simulated robot. Two distinct deep models are trained with respective objectives: one for global planning and one for local planning. These models are then employed in the simulated robot. In the end, it has been shown that our model can successfully carry out both global and local planning tasks. We have shown that our system could generate paths that successfully reach targets while avoiding obstacles with better performance compared to feed-forward neural networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google