基于原始深度输入与生成对抗模仿学习的社会顺应性导航
机器人学
2018-02-27 v2 人工智能
机器学习
摘要
我们提出了一种方法，使移动机器人能够通过原始深度输入，以社会顺应的方式在包含行人的动态环境中学习导航。为了实现这一点，我们采用了生成对抗模仿学习（GAIL）策略，该策略改进了预训练的行为克隆策略。我们的方法克服了以往方法的缺点，因为以往的方法严重依赖附近行人位置和速度信息的完整知识，这不仅需要特定的传感器，而且从原始传感输入中提取此类状态信息会消耗大量计算时间。在本文中，我们提出的基于 GAIL 的模型直接在原始深度输入上运行并进行实时规划。实验表明，我们基于 GAIL 的方法相较于纯行为克隆极大地提高了移动机器人行为的安全性和效率。真实世界的部署也表明，我们的方法能够引导自动驾驶车辆直接通过原始深度输入以社会顺应的方式进行导航。此外，我们发布了一个基于社会力模型的行人行为建模仿真插件。
引用
@article{arxiv.1710.02543,
title = {Socially Compliant Navigation through Raw Depth Inputs with Generative Adversarial Imitation Learning},
author = {Lei Tai and Jingwei Zhang and Ming Liu and Wolfram Burgard},
journal= {arXiv preprint arXiv:1710.02543},
year = {2018}
}
备注
ICRA 2018 camera-ready version. 7 pages, video link: https://www.youtube.com/watch?v=0hw0GD3lkA8