Fast Online Learning of CLiFF-maps in Changing Environments

要約

ダイナミクスマップは、以前の観察から学習した動作パターンを効果的に表現したもので、最近の研究では、人間を意識したロボットナビゲーション、長期的な人間の動作予測、ロボットの位置特定など、さまざまな下流タスクのパフォーマンスを向上させる能力を実証しています。
現在の進歩は主に、流れが静的である、つまり時間の経過とともに変化すると想定されていない環境における人の流れのマップを学習する方法に集中しています。
本稿では、ロボットの生涯にわたる効率的な運用を実現するために、ダイナミクスマップの一種であるCLiFFマップを更新する手法を提案する。
新しい観測が収集されると、私たちの目標は、関連する過去の運動パターンを保持しながら、新しい観測を効果的かつ正確に統合するために、CLiFF マップを更新することです。
提案されたオンライン更新方法は、観測された各位置の確率的表現を維持し、十分な統計を継続的に追跡することによってパラメータを更新します。
合成データセットと現実世界のデータセットの両方を使用した実験では、私たちの方法が人の動きのダイナミクスの正確な表現を維持でき、フローに準拠した下流タスクの高性能計画に貢献しながら、同等のベースラインよりも桁違いに高速であることを示しました。

要約(オリジナル)

Maps of dynamics are effective representations of motion patterns learned from prior observations, with recent research demonstrating their ability to enhance performance in various downstream tasks such as human-aware robot navigation, long-term human motion prediction, and robot localization. Current advancements have primarily concentrated on methods for learning maps of human flow in environments where the flow is static, i.e., not assumed to change over time. In this paper we propose a method to update the CLiFF-map, one type of map of dynamics, for achieving efficient life-long robot operation. As new observations are collected, our goal is to update a CLiFF-map to effectively and accurately integrate new observations, while retaining relevant historic motion patterns. The proposed online update method maintains a probabilistic representation in each observed location, updating parameters by continuously tracking sufficient statistics. In experiments using both synthetic and real-world datasets, we show that our method is able to maintain accurate representations of human motion dynamics, contributing to high performance flow-compliant planning downstream tasks, while being orders of magnitude faster than the comparable baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google