Robot Navigation with Entity-Based Collision Avoidance using Deep Reinforcement Learning

要約

動的環境における効率的なナビゲーションは、移動エージェントと静的障害物の両方を含むさまざまな環境エンティティと対話する自律ロボットにとって非常に重要です。
この研究では、特定の安全要件に基づいて、さまざまなタイプのエージェントや障害物とロボットの相互作用を強化する新しい方法論を紹介します。
このアプローチでは、エンティティ タイプに関する情報が使用され、衝突回避が向上し、より安全なナビゲーションが保証されます。
大人、自転車、子供、静的障害物などのさまざまなエンティティとの衝突に対してロボットにペナルティを与え、さらにロボットが目標に近づくことを促す新しい報酬関数を導入します。
また、エンティティに近づくとロボットにペナルティが課せられ、安全な距離もエンティティの種類によって異なります。
さらに、トレーニングとテスト用に最適化されたアルゴリズムを提案します。これにより、トレーニング、検証、テストのステップが大幅に加速され、複雑な環境でのトレーニングが可能になります。
シミュレーションを使用して行われた包括的な実験により、私たちのアプローチが、最先端の技術を含む従来のナビゲーションおよび衝突回避方法よりも常に優れていることが実証されました。
要約すると、この研究は、動的で混雑した環境における自律ロボットのナビゲーション システムの安全性と効率の向上に貢献します。

要約(オリジナル)

Efficient navigation in dynamic environments is crucial for autonomous robots interacting with various environmental entities, including both moving agents and static obstacles. In this study, we present a novel methodology that enhances the robot’s interaction with different types of agents and obstacles based on specific safety requirements. This approach uses information about the entity types, improving collision avoidance and ensuring safer navigation. We introduce a new reward function that penalizes the robot for collisions with different entities such as adults, bicyclists, children, and static obstacles, and additionally encourages the robot’s proximity to the goal. It also penalizes the robot for being close to entities, and the safe distance also depends on the entity type. Additionally, we propose an optimized algorithm for training and testing, which significantly accelerates train, validation, and test steps and enables training in complex environments. Comprehensive experiments conducted using simulation demonstrate that our approach consistently outperforms conventional navigation and collision avoidance methods, including state-of-the-art techniques. To sum up, this work contributes to enhancing the safety and efficiency of navigation systems for autonomous robots in dynamic, crowded environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google