[論文レビュー] Interactive Gibson Benchmark: A Benchmark for Interactive Navigation in Cluttered Environments

Fei Xia, William Shen+7 more|arXiv (Cornell University)|Oct 30, 2019

Robot Manipulation and Learning参考文献 42被引用数 6

ひとこと要約

本稿では、雑然とした屋内環境におけるインタラクティブナビゲーションのための訓練および評価を目的とした、インタラクティブ・ギブソンベンチマークを紹介する。このベンチマークは、高精細なシミュレーション環境と物理的ダイナミクスを組み合わせ、ナビゲーション効率と物体とのインタラクションを評価するための新規メトリクスを備えている。学習ベースのベースラインを提示し、経路効率と環境への影響の間のトレードオフを明らかにした。

ABSTRACT

We present Interactive Gibson Benchmark, the first comprehensive benchmark for training and evaluating Interactive Navigation: robot navigation strategies where physical interaction with objects is allowed and even encouraged to accomplish a task. For example, the robot can move objects if needed in order to clear a path leading to the goal location. Our benchmark comprises two novel elements: 1) a new experimental setup, the Interactive Gibson Environment, which simulates high fidelity visuals of indoor scenes, and high fidelity physical dynamics of the robot and common objects found in these scenes; 2) a set of Interactive Navigation metrics which allows one to study the interplay between navigation and physical interaction. We present and evaluate multiple learning-based baselines in Interactive Gibson, and provide insights into regimes of navigation with different trade-offs between navigation path efficiency and disturbance of surrounding objects. We make our benchmark publicly available(https://sites.google.com/view/interactivegibsonenv) and encourage researchers from all disciplines in robotics (e.g. planning, learning, control) to propose, evaluate, and compare their Interactive Navigation solutions in Interactive Gibson.

研究の動機と目的

• ロボットが物体と物理的にインタラクションすることでナビゲーションの目的を達成できるような、包括的なベンチマークの不足に対処すること。
• 現実的な屋内シーンを忠実に再現した、視覚的および物理的ダイナミクスに優れた高精細なシミュレーション環境を開発すること。
• ナビゲーションパフォーマンスと物体操作の相互作用を定量化するためのメトリクスの設計。
• この新規ベンチマークで学習ベースの手法を評価し、経路効率と環境への影響の間のトレードオフを分析すること。
• 標準化された比較と、ロボティクス分野全体におけるインタラクティブナビゲーション手法の発展を促進するため、公開可能なプラットフォームを提供すること。

提案手法

• インタラクティブ・ギブソン環境は、高精細なビジュアルと現実的な物理法則を備えた、詳細な屋内シーンをシミュレートする。
• ベンチマークは、エージェントが目的の場所に到達するナビゲーションタスクを統合しており、障害物を避けるために物体を移動または再配置できる。
• ナビゲーション効率（例：経路長）とインタラクションの影響（例：移動した物体の数、物体の変位）を評価するためのメトリクスのセットを導入。
• 模倣学習および強化学習のアプローチを用いて、環境内での学習ベースのベースラインを訓練および評価。
• 最小限の物体の混乱を重視する戦略や、最適な経路効率を重視する戦略を含む、多様なナビゲーション戦略をサポート。
• 再現可能性とコミュニティ全体でのインタラクティブナビゲーション手法の評価を支援するため、プラットフォームを公開。

実験結果

リサーチクエスチョン

• RQ1 雑然とした環境において、異なる学習ベースのナビゲーションポリシーは、経路効率と物体への影響の観点でどのように性能を発揮するか？
• RQ2 ナビゲーション経路の長さを最小限に抑えることと、周囲の環境への干渉を最小限に抑えることの間には、どのようなトレードオフが存在するか？
• RQ3 物体との物理的インタラクションを活用することで、どれほど雑然とした屋内環境におけるナビゲーションの成功確率が向上するか？
• RQ4 異なるナビゲーション戦略は、探索、経路計画、物体操作のバランスをどのようにとるか？
• RQ5 物理的インタラクションがナビゲーションに必要となる状況において、現在の学習ベースの手法の限界は何か？

主な発見

• 学習ベースのベースラインは、閉塞された経路を開放するために物体操作を活用することで、ナビゲーションの成功確率を向上させた。
• 物体の混乱を最小限に抑えることを重視するポリシーは、より長いナビゲーション経路をとる傾向にあり、効率性と環境保護の間の明確なトレードオフが示された。
• ベンチマークは、極めて雑然とした環境において、物体の再配置がナビゲーションパフォーマンスを顕著に向上させることを明らかにした。
• 訓練パラダイムの違い（例：模倣学習対強化学習）は、異なるインタラクションパターンと経路効率の結果をもたらした。
• 提案されたメトリクスは、インタラクティブナビゲーションの複雑さを効果的に捉えており、エージェント行動の洗練された比較を可能にした。
• ベンチマークの公開により、標準化された評価が可能となり、ロボティクス研究コミュニティ全体におけるイノベーションを促進した。