基于 ROS 的神经符号模型 neuROSym 部署与人类运动预测评估

自动导航的移动机器人可以依赖多种人类运动检测与预测系统，以实现对人类环境中安全且高效的导航，但不同的模型架构会对机器人在真实世界中的可信度产生不同影响。在现有基于上下文感知的人类运动预测方法中，一些方法显示出将符号知识与最新神经网络集成的优势。特别是，最近的神经符号架构（NeuroSyM）成功地将上下文嵌入了用于空间交互表示的定性轨迹计算（QTC）。本工作在离线数据集上实现了优于纯神经网络基线架构的更好性能。本文将原始架构扩展为 neuROSym，一个用于机器人在真实场景中部署的 ROS 软件包，能够运行、可视化和在线评估之前的神经网络和神经符号模型进行运动预测。我们在 two 个不同人类运动模式的场景中，对这些模型——NeuroSyM 和基线 SGAN——在 TIAGo 机器人上进行评估。我们评估了预测模型的准确性和运行时性能，表明在使用我们的神经符号架构时，一般会实现更好的性能。我们将 neuROSym 软件包1 公开发布，以供机器人社区使用。