在行人密集环境中学习具有交互能力的社交导航
机器人学
2022-03-31 v1
摘要
现有的自主机器人导航策略往往侧重于避碰，而忽略了社交生活中的人机交互。例如，如果行人注意到机器人，机器人可以更安全、更容易地通过走廊。声音被认为是一种吸引行人注意力的有效方式，可以缓解机器人冻结问题。在这项工作中，我们提出了一种基于深度强化学习（DRL）的新型社交导航方法，使自主机器人能够在具有交互能力的行人密集环境中移动。大多数现有的基于DRL的方法倾向于在强化学习背景下训练一个通用策略，该策略同时输出导航动作（即机器人的期望线速度和角速度）和交互动作（即蜂鸣动作）。与这些方法不同，我们意图通过监督学习和强化学习来训练策略。具体而言，我们首先在监督学习背景下训练一个交互策略，以更好地理解社交情境，然后使用该交互策略通过多种强化学习算法训练导航策略。我们在各种仿真环境中评估了我们的方法，并与其他方法进行比较。实验结果表明，我们的方法在成功率方面优于其他方法。我们还将训练后的策略部署在真实机器人上，其在拥挤环境中表现出良好的性能。
引用
@article{arxiv.2203.16154,
title = {Learning to Socially Navigate in Pedestrian-rich Environments with Interaction Capacity},
author = {Quecheng Qiu and Shunyi Yao and Jing Wang and Jun Ma and Guangda Chen and Jianmin Ji},
journal= {arXiv preprint arXiv:2203.16154},
year = {2022}
}