快速在线学习变化环境中的 CLiFF-map
机器人学
2025-04-01 v2
摘要
动力学图是从先前观察中学习运动模式的有效表示，近期研究表明它们能够增强各种下游任务，如人类感知机器人导航、长期人类运动预测和机器人定位。当前进展主要集中于学习人类流动图的方法，这些方法假设流动是静态的，即假设其随时间不变。本文提出了一种 CLiFF-map（一种先进的动态图类型，将运动模式建模为速度和方向混合）的在线更新方法，以主动检测和适应人类流动变化。当收集新观察时，我们的目标是更新 CLiFF-map，以有效且准确地整合它们，同时保留相关的历史运动模式。所提出的在线更新方法在每个观察位置维护概率表示，通过持续跟踪充分统计量来更新参数。在使用合成和真实世界数据集的实验中，我们证明该方法能够保持对人类运动动态的准确表示，为高性能流动合规规划下游任务贡献了优势，同时比可比基线快了数量级。
引用
@article{arxiv.2410.12237,
title = {Fast Online Learning of CLiFF-maps in Changing Environments},
author = {Yufei Zhu and Andrey Rudenko and Luigi Palmieri and Lukas Heuer and Achim J. Lilienthal and Martin Magnusson},
journal= {arXiv preprint arXiv:2410.12237},
year = {2025}
}
备注
Accepted to the 2025 IEEE International Conference on Robotics and Automation (ICRA)