面向人群导航的混合策略纳什均衡

在拥挤区域导航的机器人应与人类协商可用空间，而非完全控制避障，因为后者可能导致冻结行为。博弈论为机器人在路径规划期间推理人类在避障方面的潜在合作提供了框架。具体而言，混合策略纳什均衡刻画了不确定性下的协商行为，使其非常适用于人群导航。然而，计算混合策略纳什均衡对于实时决策而言通常成本过高。在本文中，我们提出了一种在轨迹概率分布上进行的迭代贝叶斯更新方案。该算法同时为机器人生成随机规划，并对其他行人的路径进行概率预测。我们证明了所提算法等价于求解面向人群导航的混合策略博弈，且该算法保证能恢复该博弈的全局纳什均衡。我们将算法命名为贝叶斯递归纳什均衡（Bayesian Recursive Nash Equilibrium, BRNE），并开发了一个实时模型预测人群导航框架。由于 BRNE 并非求解通用混合策略纳什均衡，而是专门针对人群导航的定制公式，因此它可以在低功耗嵌入式计算机上实时计算解。我们在模拟环境和真实世界行人数据集中评估了 BRNE。BRNE 在安全性和导航效率方面始终优于非学习方法和基于学习的方法。它还在行人数据集基准测试中达到了人类水平的人群导航性能。最后，我们在一台具备完全板载感知和计算能力的无系绳四足机器人上，通过与真实人类的交互演示了算法的实用性。