Socially Integrated Navigation: A Social Acting Robot with Deep Reinforcement Learning

要約

移動ロボットはさまざまな混雑状況で大規模に使用され、私たちの社会の一部となっています。
個々の人間の配慮を伴う移動ロボットの社会的に受け入れられるナビゲーション動作は、スケーラブルなアプリケーションと人間の受け入れにとって必須の要件です。
深層強化学習 (DRL) アプローチは、最近、ロボットのナビゲーション ポリシーを学習し、ロボットと人間の間の複雑な相互作用をモデル化するために使用されています。
我々は、ロボットが示す社会的行動に基づいて既存の DRL ベースのナビゲーションアプローチを分割し、社会的行動の欠如による社会的衝突回避と、明示的に事前定義された社会的行動による社会認識アプローチを区別することを提案します。
さらに、ロボットの社会的行動が適応的であり、人間との相互作用から現れる、新しい社会的に統合されたナビゲーションアプローチを提案します。
私たちのアプローチの定式化は、社会的行為は他者の行為を指向しているという社会学の定義に基づいています。
DRL ポリシーは、他のエージェントが社会的に統合されて対話し、ロボットの行動に個別に報酬を与える環境でトレーニングされます。
シミュレーション結果は、提案された社会的に統合されたナビゲーション アプローチが、環境内のすべてのエージェントに対する悪影響を大幅に軽減しながら、エゴ ナビゲーション パフォーマンスの点で社会を意識したアプローチよりも優れていることを示しています。

要約(オリジナル)

Mobile robots are being used on a large scale in various crowded situations and become part of our society. The socially acceptable navigation behavior of a mobile robot with individual human consideration is an essential requirement for scalable applications and human acceptance. Deep Reinforcement Learning (DRL) approaches are recently used to learn a robot’s navigation policy and to model the complex interactions between robots and humans. We propose to divide existing DRL-based navigation approaches based on the robot’s exhibited social behavior and distinguish between social collision avoidance with a lack of social behavior and socially aware approaches with explicit predefined social behavior. In addition, we propose a novel socially integrated navigation approach where the robot’s social behavior is adaptive and emerges from the interaction with humans. The formulation of our approach is derived from a sociological definition, which states that social acting is oriented toward the acting of others. The DRL policy is trained in an environment where other agents interact socially integrated and reward the robot’s behavior individually. The simulation results indicate that the proposed socially integrated navigation approach outperforms a socially aware approach in terms of ego navigation performance while significantly reducing the negative impact on all agents within the environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google