动态环境中基于生成式 RNN 与蒙特卡洛树搜索的路径规划
机器人学
2020-02-03 v1 计算机视觉与模式识别
摘要
在人群或交通等动态环境中，机器人路径规划的现有最优方法依赖于为智能体手工构建的运动模型。这些模型往往不能反映真实场景中智能体之间的交互。为克服该局限，本文提出一种集成路径规划框架，在蒙特卡洛树搜索（MCTS）中使用生成式循环神经网络（Recurrent Neural Networks, RNN）。该方法利用习得的社会响应模型，在规划过程中跨动作空间预测人群动态。这扩展了我们近期使用生成式 RNN 学习规划机器人动作与人群可能响应之间关系的工作。我们表明，所提框架能显著改善交互过程中的运动预测精度，从而实现更有效的路径规划。我们的方法在仿真中与现有人群中行人碰撞避免方法进行了比较，展示了对附近个体未来状态进行控制的能力。我们还进行了初步的真实世界测试以验证方法的有效性。
引用
@article{arxiv.2001.11597,
title = {Path Planning in Dynamic Environments using Generative RNNs and Monte Carlo Tree Search},
author = {Stuart Eiffert and He Kong and Navid Pirmarzdashti and Salah Sukkarieh},
journal= {arXiv preprint arXiv:2001.11597},
year = {2020}
}
备注
Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2020, video available at https://youtu.be/vBPKiqtCYRU