CrowdSurfer: Sampling Optimization Augmented with Vector-Quantized Variational AutoEncoder for Dense Crowd Navigation
机器人学
2025-03-10 v2 最优化与控制
摘要
在拥挤的人群中进行导航仍是移动机器人的挑战。若环境布局发生变化，先前计算的全局计划便不可行。本文表明，仅通过改进局部规划器即可显著提升人群导航效果。我们的方法将生成式建模与推理时优化相结合，在交互式速率下生成精妙的长期程局部计划。具体而言，我们训练一个向量量化变分自编码器 (Vector Quantized Variational AutoEncoder, VQ-VAE) 来学习条件于感知输入的专家轨迹分布先验。在运行时，这被用作基于采样的优化器的初始化进行进一步细化。我们的方法无需对动态障碍物进行复杂的预测，却实现了最先进的性能。特别地，我们与最近的DRL-VO方法进行比较，显示成功率提升了40%，旅行时间提升了6%。
关键词
引用
@article{arxiv.2409.16011,
title = {CrowdSurfer: Sampling Optimization Augmented with Vector-Quantized Variational AutoEncoder for Dense Crowd Navigation},
author = {Naman Kumar and Antareep Singha and Laksh Nanwani and Dhruv Potdar and Tarun R and Fatemeh Rastgar and Simon Idoko and Arun Kumar Singh and K. Madhava Krishna},
journal= {arXiv preprint arXiv:2409.16011},
year = {2025}
}
备注
Accepted at IEEE ICRA 2025