在轨迹优化中利用神经网络梯度实现主动式人机交互
机器人学
2020-12-03 v1 人工智能
摘要
为实现无缝的人机交互，机器人需要在其运动规划过程中细致地推理复杂的交互动态和未来的人的行为。然而，最先进的基于神经网络的人类行为模型与机器人运动规划器之间存在脱节——要么行为模型对下游规划的考量有限，要么使用简化的行为模型以确保规划问题的可处理性。在这项工作中，我们提出了一个框架，将轨迹优化（TO）的可解释性和灵活性与最先进的人类轨迹预测模型的预测能力相融合。具体而言，我们利用数据驱动预测模型的梯度信息，在基于梯度的 TO 问题中显式推理人机交互动态。我们在多智能体场景中展示了方法的有效性，即机器人需要安全高效地穿过最多十名行人的人群。我们与多种规划方法进行比较，表明通过在规划器中显式考虑交互动态，我们的方法提供了更安全、更高效的行为，甚至产生主动且细致的行为，例如等待行人通过后再移动。
引用
@article{arxiv.2012.01027,
title = {Leveraging Neural Network Gradients within Trajectory Optimization for Proactive Human-Robot Interactions},
author = {Simon Schaefer and Karen Leung and Boris Ivanovic and Marco Pavone},
journal= {arXiv preprint arXiv:2012.01027},
year = {2020}
}