[논문 리뷰] Group-Aware Robot Navigation in Crowded Environments.

Kapil D. Katyal, Yuxiang Gao외 3명|arXiv (Cornell University)|2020. 12. 22.

Evacuation and Crowd Dynamics참고 문헌 45인용 수 4

한 줄 요약

이 논문은 동적 인적 집단의 구조를 모델링하기 위해 딥 강화학습을 사용하여 붐비는 환경에서 이동하는 로봇을 위한 그룹 인지 네비게이션 정책을 제안한다. 그룹의 구조를 존중함으로써, 개별 인명을 별도로 다루는 기존 기법들과는 달리 충돌 수가 줄어들고, 사회적 규범 위반과 보행자 불편도 감소한다.

ABSTRACT

Human-aware robot navigation promises a range of applications in which mobile robots bring versatile assistance to people in common human environments. While prior research has mostly focused on modeling pedestrians as independent, intentional individuals, people move in groups; consequently, it is imperative for mobile robots to respect human groups when navigating around people. This paper explores learning group-aware navigation policies based on dynamic group formation using deep reinforcement learning. Through simulation experiments, we show that group-aware policies, compared to baseline policies that neglect human groups, achieve greater robot navigation performance (e.g., fewer collisions), minimize violation of social norms and discomfort, and reduce the robot's movement impact on pedestrians. Our results contribute to the development of social navigation and the integration of mobile robots into human environments.

연구 동기 및 목표

• 기존 로봇 네비게이션 시스템이 보행자를 독립적인 에이전트로 간주하여 그룹 역학을 忽시하는 한계를 해결한다.
• 동적 인간 집단의 형성 구조를 모델링하여 붐비는 인간 환경에서의 로봇 네비게이션 성능을 향상시킨다.
• 로봇 운동 중 사회적 규범과 그룹 유대감을 존중함으로써 보행자에게 미치는 부정적 영향을 최소화한다.
• 사회적 호환성을 높이고 인간-로봇 상호작용 중 불편을 줄이는 네비게이션 정책을 개발한다.

제안 방법

• 동적 인간 집단 형성 구조를 고려한 네비게이션 정책을 훈련하기 위해 딥 강화학습을 활용한다.
• 공간적·행동적 일관성을 반영하여 개인이 아닌 단위 집단으로 인간 집단을 모델링한다.
• 실제 혼잡한 상황을 반영한 시뮬레이션 환경을 활용해 정책을 훈련하고 평가한다.
• 사회적 규범과 그룹의 통합성을 보상 함수에 통합하여 사회적으로 적합한 행동을 유도한다.
• 효율성과 사회적 수용성을 균형적으로 확보하기 위해 이민 및 강화학습을 종합적으로 적용해 정책을 엔드 투 엔드로 훈련한다.
• 실시간으로 그룹 경계를 식별하고 존중하기 위해 그룹 탐지 및 추적 메커니즘을 통합한다.

실험 결과

연구 질문

• RQ1 인간 집단을 모델링함으로써 붐비는 환경에서 로봇 네비게이션 성능이 어떻게 향상되는가?
• RQ2 개별 중심 정책과 비교해 그룹 인지 네비게이션은 충돌과 사회적 규범 위반을 얼마나 줄이는가?
• RQ3 그룹 인지 네비게이션은 보행자의 편안함과 로봇 행동에 어떻게 영향을 미치는가?
• RQ4 딥 강화학습 정책은 네비게이션 중에 동적 그룹 구조를 효과적으로 존중하는 데 성공하는가?

주요 결과

• 그룹 인지 정책는 그룹 구조를 忽시하는 기준 정책보다 유의미하게 더 적은 충돌을 기록했다.
• 제안된 방법은 로봇 네비게이션 중 사회적 규범 위반을 줄이고 보행자의 불편을 최소화했다.
• 개별 중심 네비게이션과 비교해 보행자 흐름과 그룹 유대감에 대한 로봇 이동의 총합 영향이 낮았다.
• 시뮬레이션 결과는 그룹 역학을 존중함으로써 더 자연스럽고 사회적으로 수용 가능한 로봇 행동이 가능하다는 것을 입증했다.
• 정책은 경로 교차나 분리와 같은 방해 요소를 피함으로써 그룹의 통합성을 유지하는 법을 학습했다.
• 다양한 혼잡도와 그룹 구성 조건에서 성능 향상이 일관되게 유지되었다.