[論文レビュー] Following Social Groups: Socially Compliant Autonomous Navigation in Dense Crowds

Xinjie Yao, Ji Zhang+1 more|arXiv (Cornell University)|Nov 27, 2019

Evacuation and Crowd Dynamics参考文献 13被引用数 11

ひとこと要約

本論文では、深層学習ベースのGroup-Navi GANを用いて流れている社会的グループを追跡・統合することで、密集した群衆における自律ロボットの社会的配慮のあるナビゲーションシステムを提案する。このシステムは、グループ追従行動を目的としたグローバル計画層と、局所的衝突回避層を統合しており、10×20 mの領域に10名以上の人が存在する現実世界の密集環境において、歩行者の混乱や衝突を低減することで、より安全で自然なナビゲーションを実現する。

ABSTRACT

In densely populated environments, socially compliant navigation is critical for autonomous robots as driving close to people is unavoidable. This manner of social navigation is challenging given the constraints of human comfort and social rules. Traditional methods based on hand-craft cost functions to achieve this task have difficulties to operate in the complex real world. Other learning-based approaches fail to address the naturalness aspect from the perspective of collective formation behaviors. We present an autonomous navigation system capable of operating in dense crowds and utilizing information of social groups. The underlying system incorporates a deep neural network to track social groups and join the flow of a social group in facilitating the navigation. A collision avoidance layer in the system further ensures navigation safety. In experiments, our method generates socially compliant behaviors as state-of-the-art methods. More importantly, the system is capable of navigating safely in a densely populated area (10+ people in a 10m x 20m area) following crowd flows to reach the goal.

研究の動機と目的

• 直接経路追従が不快感や衝突を引き起こす密集群衆における社会的配慮のあるナビゲーションの課題に対処すること。
• 個々の歩行者を独立したエージェントとして扱うのではなく、集団的行動をモデル化・活用することで、ナビゲーションの安全性と自然さを向上させること。
• 同じ方向に移動する社会的グループの流れに従うことで、人間の混乱や衝突率を低減すること。
• 深層学習を用いた社会的グループ追跡と幾何学的局所衝突回避を組み合わせたマルチレイヤー型ナビゲーションシステムの開発。
• 実世界の実験と大規模なユーザースタディを通じて、システムの有効性を検証すること。

提案手法

• 本システムは、状態推定（LiDAR、ビジョン、IMUの融合）、局所的計画（トラジェクトリライブラリを用いた衝突回避軌道生成）、社会的ナビゲーション計画の3つのサブシステムから構成されるアーキテクチャを採用している。
• Group-Navi GANと呼ばれる深層ニューラルネットワークが、目的への意図力と、周囲の歩行者およびグループメンバーからのグループ力の両方をモデル化することで、ナビゲーションのウェイポイントを生成する。
• グループプーリングモジュールは、事前に訓練されたSVM分類器を用いて、空間的・時間的運動の類似性（速度、位置、進行方向）に基づき、社会的グループへの所属を推定する。
• グループ力生成モジュールは、同じ進行方向を持つグループの流れに一致・追従できるように、パス調整を計算する。
• 局所的計画サブシステムは、レーザースキャンデータと幾何的トラジェクトリライブラリを用いて、リアルタイムの衝突回避を保証する。
• 本システムは、シミュレーション（6グループに18名の歩行者）および実世界環境（2グループに6名の歩行者）の両方で訓練・評価されており、LiDAR、カメラ、IMUを搭載した車椅子搭載ロボットを用いて実施された。

実験結果

リサーチクエスチョン

• RQ1 直接的な経路を追求するのではなく、社会的グループの流れに参加することで、ロボットは密集群衆において安全かつ自然にナビゲートできるか？
• RQ2 直接経路追従と比較して、グループベースのナビゲーションは衝突率と歩行者への混乱の度合いにおいてどのように異なるか？
• RQ3 集団レベルの社会的力の学習が、ロボットナビゲーションの自然さと安全性をどの程度向上させるか？
• RQ4 深層学習モデルは、空間的・時間的運動の特徴のみを用いて、社会的グループの所属を効果的に推定し、ナビゲーションを誘導できるか？
• RQ5 人間の観察者が、グループ追従ナビゲーションと直接経路追従の両方を比較した場合、安全性と自然さに関してどのように評価するか？

主な発見

• 実世界実験では、社会的モデルを使用しない直接ナビゲーションでは95％の参加者がロボットのナビゲーションによって歩行者が経路を変更せざるを得ないと報告したが、社会的モデルを使用した場合はわずか4％に低下した。
• 社会的モデルを用いることで、衝突率は平均して93％（複数のシナリオを含む）から28％に低下し、安全性の顕著な向上が示された。
• アンケート調査の結果、90％を超える参加者が社会的モデルなしのナビゲーションを「危険」と評価した一方、社会的モデルでは40％未満の参加者が危険だと感じた。
• ロボットは、同じ方向に移動する社会的グループの流れに成功して追従し、逆方向のグループとの衝突を回避するとともに、混乱を低減した。
• 本システムは、10×20 mの領域に10名以上の人が存在する密集環境でも、安全かつ社会的配慮のあるナビゲーションを維持するという、高い頑健性を示した。
• Group-Navi GANによるグループ認識計画と幾何的局所プランナーの組み合わせにより、複雑な現実世界のシナリオにおいても安全で自然かつ社会的配慮のあるナビゲーションが実現された。