面向真实社交导航的深度残差模型预测控制（DR-MPC）
机器人学
2025-02-17 v2 人工智能
机器学习
摘要
机器人如何安全地导航穿过具有复杂运动模式的人群？深度强化学习（DRL）在仿真环境中展现了一定的前景，但大量先前工作依赖的仿真器未能捕捉真实人类运动的细微差别。因此，我们提出深度残差模型预测控制（DR-MPC），以实现机器人从真实世界人群导航数据中进行快速而安全的 DRL。通过将 MPC 与无模型 DRL 融合，DR-MPC 克服了 DRL 大数据需求和初始行为不安全的挑战。DR-MPC 使用基于 MPC 的路径跟踪进行初始化，逐步学习更有效地与人类交互。为进一步加速学习，一种安全组件估计超分布状态，以引导机器人远离可能的碰撞。我们在仿真环境中展示了 DR-MPC 在先前方法（包括传统 DRL 和残差 DRL 模型）之上的显著优势。硬件实验表明，我们的方法成功地使机器人能够在各种拥挤场景中以很少的错误运行，使用不足 4 小时的训练数据。
引用
@article{arxiv.2410.10646,
title = {DR-MPC: Deep Residual Model Predictive Control for Real-world Social Navigation},
author = {James R. Han and Hugues Thomas and Jian Zhang and Nicholas Rhinehart and Timothy D. Barfoot},
journal= {arXiv preprint arXiv:2410.10646},
year = {2025}
}
备注
8 pages, 8 figures, accepted to IEEE Robotics and Automation Letters (RA-L) February 2025