社交机器人导航的核心挑战:一项调查研究
本文提出了评估社交机器人导航算法的标准、度量方式和基于场景分析的指导方针,并设计了一个社交导航度量指标框架来比较不同的模拟器、机器人和数据集的结果。
Jun, 2023
SocioSense 是一种实时算法,用于基于 Bayesian 学习和人格特征预测每个行人的时间变化行为,从而改善机器人在人群中的导航性能。
Jun, 2017
本研究提出了一种新方法,通过从社交动作潜空间中学习生成机器人控制来实现社交机器人导航。该方法在社交导航度量指标(如成功率、导航时间和轨迹长度)方面取得了显著改进,同时产生更平滑(较小加速度和角度偏差)和更具预测性的轨迹。通过与基准模型在不同场景下的比较,验证了该方法的优越性。此外,引入了人类对机器人的认知概念到社交机器人导航框架中,表明融入人类的意识可以导致更短、更平滑的轨迹,因为人类能够与机器人积极互动。
Oct, 2023
自主移动机器人需要通过其载有的传感器 (如 LiDAR 和 RGB 相机) 感知环境,并做出适当的导航决策,为了在人类居住的公共空间中导航,这个导航任务不仅仅是避开障碍物,还需要考虑周围的人类及其意图,以对应社会规范进行导航行为的微小变化,机器学习方法在以数据驱动的方式捕捉这些复杂而微妙的社交互动方面显示出了有效性,而无需显式手工制作简化模型或代价函数,考虑到多种可用传感器模态和学习方法的效率,本文通过使用大规模真实数据集对使用多模态感知学习社交机器人导航进行了全面的研究,该研究分析了在不同社交场景中的全局和局部规划水平上的社交机器人导航决策,并将单模态和多模态学习与一组经典导航方法进行对比,同时从学习的角度分析了训练和泛化性能,我们还进行了一个人体研究,探究了使用多模态感知进行学习如何影响感知到的社交合规性,结果表明,与单模态学习相比,多模态学习在数据集和人体研究中具有明显优势,我们开源了代码,供社区在未来研究中使用多模态感知学习社交机器人导航。
Sep, 2023
教授自主移动机器人在人群中成功导航是一项具有挑战性的任务,该论文采用神经网络来学习机器人在现场的特定策略,以考虑人类行为和对真实机器人的反应,同时针对各种情景学习相应策略,并对方法、实验结果进行了定量评估。
Apr, 2024
本文提出了基于强化学习(RL)的方法来解决移动机器人在密闭空间中与行人互动的导航问题,探索了多个场景下训练准则的可复用性,并在两个真实环境的三维重建中表现出了良好的迁移能力。
Oct, 2020
移动机器人在各种拥挤场合中得到广泛应用,社会接受的导航行为是可扩展应用和人类认可的必要条件。深度强化学习方法被用于学习机器人的导航策略和模拟机器人与人类之间的复杂互动。通过在与人类互动的环境中训练深度强化学习策略,我们提出了一种新颖的社会整合导航方法,该方法适应性地产生机器人的社会行为,并且在距离行驶、完成时间和对环境中所有代理的负面影响方面优于社会感知方法。
Mar, 2024
本文提出了一种模型,通过模拟人 - 人和人 - 机之间的交互,在考虑空间定位的前提下预测机器人在人群中的未来轨迹,对比实验表明该模型对于长时间段内的轨迹预测表现优于现有技术。
May, 2017
自主移动机器人在人类空间中导航必须遵守社会规范。本研究提出了一种使用课程学习来改善强化学习社交导航方法的泛化性能的方法。通过使用多种环境类型和多种动力学模型对行人进行建模,逐步增加训练的多样性和难度。研究结果表明,与之前的训练方法相比,使用课程学习进行训练可以取得更好的泛化性能。此外,我们还验证了训练方法在比训练中使用的更大更拥挤的测试环境中的有效性,从而对模型的性能进行更有意义的衡量。
Aug, 2023