基于生成对抗网络的社会自适应路径规划
机器人学
2024-04-30 v1 系统与控制
系统与控制
摘要
自主导航过程中机器人与行人之间的自然交互对移动机器人的智能化发展至关重要,这要求机器人充分考虑社会规则并保证行人的心理舒适度。在机器人路径规划领域的研究成果中,基于学习的社会自适应算法在某些特定的人机交互环境中表现良好。然而,日常生活中的人机交互场景多种多样且不断变化,机器人社会自适应路径规划的泛化能力仍有待进一步研究。为了解决这个问题,本文通过将生成对抗网络(GAN)与最优快速探索随机树(RRT*)导航算法相结合,提出了一种新的社会自适应路径规划算法。首先,提出了一种具有强泛化性能的 GAN 模型,以使导航算法适应更多场景。其次,提出了一种基于 GAN 模型的最优快速探索随机树导航算法(GAN-RRT*),用于在人机交互环境中生成路径。最后,我们提出了一种名为 GAN-RTIRL 的社会自适应路径规划框架,该框架将 GAN 模型与快速探索随机树逆强化学习(RTIRL)相结合,以提高规划路径与演示路径之间的同伦率。在 GAN-RTIRL 框架中,GAN-RRT* 路径规划器可以根据演示路径更新 GAN 模型。通过这种方式,机器人能够在人机交互环境中生成更具拟人化特征的路径,并在更复杂的环境中具有更强的泛化能力。实验结果表明,我们提出的方法能够有效提升机器人运动规划的拟人化程度以及规划路径与演示路径之间的同伦率。
引用
@article{arxiv.2404.18687,
title = {Socially Adaptive Path Planning Based on Generative Adversarial Network},
author = {Yao Wang and Yuqi Kong and Wenzheng Chi and Lining Sun},
journal= {arXiv preprint arXiv:2404.18687},
year = {2024}
}