[論文レビュー] A Realtime Autonomous Robot Navigation Framework for Human like High-level Interaction and Task Planning in Global Dynamic Environment

Sung-Hyeon Joo, Sumaira Manzoor+3 more|arXiv (Cornell University)|May 30, 2019

Robotics and Sensor-Based Localization参考文献 15被引用数 7

ひとこと要約

本論文は、未知でグローバルに動的な環境において、人間のような高レベルの相互作用とタスク計画を可能にするリアルタイムの自律ロボットナビゲーションフレームワークを提案する。クラウドベースのデータベース、3次元視覚的意味的SLAM、および二重記憶システム（LTM/STM）を統合することで、自律ナビゲーション、学習、行動計画モジュールを組み合わせたモジュラーなアーキテクチャを介してリアルタイムナビゲーションを実現し、RGB-Dおよびレーザーセンサを用いたROS/Gazeboシミュレーションで検証された。

ABSTRACT

In this paper, we present a framework for real-time autonomous robot navigation based on cloud and on-demand databases to address two major issues of human-like robot interaction and task planning in global dynamic environment, which is not known a priori. Our framework contributes to make human-like brain GPS mapping system for robot using spatial information and performs 3D visual semantic SLAM for independent robot navigation. We accomplish the feat by separating robot's memory system into Long-Term Memory (LTM) and Short-Term Memory (STM). We also form robot's behavior and knowledge system by linking these memories to Autonomous Navigation Module (ANM), Learning Module (LM), and Behavior Planner Module (BPM). The proposed framework is assessed through simulation using ROS-based Gazebo-simulated mobile robot, RGB-D camera (3D sensor) and a laser range finder (2D sensor) in 3D model of realistic indoor environment. Simulation corroborates the substantial practical merit of our proposed framework.

研究の動機と目的

• グローバルに動的で事前に未知の環境におけるリアルタイムの自律ロボットナビゲーションの課題に対処すること。
• 認知にインspiredされた記憶および行動アーキテクチャを通じて、人間らしい高レベルの相互作用とタスク計画を可能にすること。
• 空間的知識をクラウドおよびオンデマンドデータベースから統合し、リアルタイムのセンシングと組み合わせて、頑健なナビゲーションを実現すること。
• 長期記憶（LTM）、短期記憶（STM）、および行動計画を統合したモジュラーなフレームワークを構築し、適応的なロボット行動を実現すること。
• ROSおよびGazeboを用いた実際的でシミュレーティブな屋内環境において、フレームワークを検証すること。

提案手法

• フレームワークは二重記憶システムを採用：長期記憶（LTM）は恒久的な空間的および意味的知識を保持し、短期記憶（STM）はリアルタイムの文脈およびタスク固有のデータを保持する。
• 3次元視覚的意味的SLAMを用いて、RGB-Dカメラデータを用いて環境の意味的マップを構築および更新する。
• レーザー距離計測データは、ナビゲーションの信頼性を高めるために2次元の障害物検出および位置特定を支援する。
• 自律ナビゲーションモジュール（ANM）は、LTMとSTMを用いてリアルタイムで経路計画を実行する。
• 学習モジュール（LM）は、新たな観測および経験に基づいてLTMおよびSTMを更新する。
• 行動プランナーモジュール（BPM）は、記憶システムとナビゲーション目標を結びつけることで、高レベルのタスク計画を調整する。

実験結果

リサーチクエスチョン

• RQ1 ロボットは、グローバルに動的で未知の環境において、どのように人間らしい高レベルのタスク計画を達成できるか？
• RQ2 二重記憶アーキテクチャ（LTM/STM）は、リアルタイムの適応と長期的学習をどのように可能にするか？
• RQ3 クラウドベースおよびオンデマンドデータベースは、自律ナビゲーションのための空間的および意味的知識をどのように強化するか？
• RQ4 3次元視覚的意味的SLAMは、動的で屋内の環境においてナビゲーションの頑健性をどの程度向上させるか？
• RQ5 ANM、LM、BPMモジュールの統合は、自律ナビゲーションにおいて一貫性があり人間らしい行動をどのように実現するか？

主な発見

• フレームワークは、ROSおよびGazeboを用いたシミュレーティッドで動的な屋内環境において、リアルタイムの自律ナビゲーションを成功裏に実現した。
• 3次元視覚的意味的SLAMとレーザー基盤の位置特定の統合により、環境認識および障害物回避の能力が向上した。
• 二重記憶システム（LTM/STM）は、ナビゲーションタスク中の恒久的学習とリアルタイムの適応を支援した。
• シミュレーション結果は、複雑で変化し続ける環境において、提案されたフレームワークの実用的価値および頑健性を示した。
• モジュラーなアーキテクチャ（ANM、LM、BPM）は、動的条件下でもスケーラブルで人間らしい行動計画を可能にした。
• クラウドおよびオンデマンドデータベースの使用により、ロボットが空間的および意味的知識をリアルタイムでアクセスおよび更新できる能力が向上した。