HEIGHT：用于拥挤和受限环境中机器人导航的异构交互图 Transformer
机器人学
2026-01-26 v4 人工智能
机器学习
摘要
我们研究了在具有走廊和家具等静态约束的密集且互动的人群中的机器人导航问题。以往的方法未能考虑智能体与障碍物之间所有类型的空间和时间交互，导致机器人路径不安全且低效。在本文中，我们利用拥挤和受限场景的基于图的表示，提出了一个结构化框架，通过深度强化学习来学习机器人导航策略。我们首先分离不同输入的表示，并提出一个异构时空图来建模人类、机器人和障碍物之间的不同交互。基于该异构时空图，我们提出了 HEIGHT，一种新颖的导航策略网络架构，具有不同的组件以捕获跨越空间和时间的异构交互。HEIGHT 利用注意力机制优先处理重要交互，并利用循环网络跟踪动态场景随时间的变化，促使机器人自适应地避免碰撞。通过广泛的仿真和真实世界实验，我们证明 HEIGHT 在成功率、导航时间以及对挑战性导航场景中域偏移的泛化能力方面优于 SOTA 基线。更多信息请访问 https://sites.google.com/view/crowdnav-height/home。
关键词
引用
@article{arxiv.2411.12150,
title = {HEIGHT: Heterogeneous Interaction Graph Transformer for Robot Navigation in Crowded and Constrained Environments},
author = {Shuijing Liu and Haochen Xia and Fatemeh Cheraghi Pouria and Kaiwen Hong and Neeloy Chakraborty and Zichao Hu and Joydeep Biswas and Katherine Driggs-Campbell},
journal= {arXiv preprint arXiv:2411.12150},
year = {2026}
}
备注
Accepted to IEEE Transactions of Automation Science and Engineering (T-ASE)