用于社交伴随移动机器人导航的角色扮演学习
机器人学
2017-05-30 v1 人工智能
摘要
本文提出了一种角色扮演学习（RPL）方案，使移动机器人能够在拥挤环境中与其人类同伴进行社交化导航。构建了神经网络（NN）来参数化一个随机策略，该策略在遵守一系列社会规范的前提下，直接将机器人收集的传感数据映射为其速度输出。利用从多个真实世界人群数据集中收集的地图和行人轨迹，构建了一个高效的模拟学习环境。在每次学习迭代中，配备 NN 策略的机器人在学习环境中被虚拟创建，扮演同伴行人的角色，以社交伴随的方式向目标导航。因此，我们将此过程称为角色扮演学习，并在强化学习（RL）框架下进行表述。考虑到机器人传感器测量的不完美性，使用信任域策略优化（TRPO）对 NN 策略进行端到端优化。提供了模拟和实验结果以证明我们方法的有效性和优越性。
引用
@article{arxiv.1705.10092,
title = {Role Playing Learning for Socially Concomitant Mobile Robot Navigation},
author = {Mingming Li and Rui Jiang and Shuzhi Sam Ge and Tong Heng Lee},
journal= {arXiv preprint arXiv:1705.10092},
year = {2017}
}