用于低保真度模拟下受限机器人人群导航的结构化图网络
机器人学
2024-05-29 v2 人工智能
机器学习
摘要
我们研究了使用低保真度模拟器部署强化学习（RL）策略进行受限人群导航的可行性。我们引入了一种动态环境的表示方法，将人类和障碍物的表示分离。人类通过检测到的状态表示，而障碍物则表示为基于地图和机器人定位计算的点云。这种表示使得在低保真度模拟器中训练的 RL 策略能够部署到真实世界中，并减小 sim2real 差距。此外，我们提出了一个时空图来对智能体与障碍物之间的交互进行建模。基于该图，我们使用注意力机制来捕捉机器人-人类、人类-人类和人类-障碍物之间的交互。我们的方法在模拟和真实世界环境中均显著提高了导航性能。视频演示可在 https://sites.google.com/view/constrained-crowdnav/home 找到。
关键词
引用
@article{arxiv.2405.16830,
title = {Structured Graph Network for Constrained Robot Crowd Navigation with Low Fidelity Simulation},
author = {Shuijing Liu and Kaiwen Hong and Neeloy Chakraborty and Katherine Driggs-Campbell},
journal= {arXiv preprint arXiv:2405.16830},
year = {2024}
}