[논문 리뷰] Personalized Dynamics Models for Adaptive Assistive Navigation Interfaces.

Eshed Ohn-Bar, Kris Kitani외 1명|arXiv (Cornell University)|2018. 04. 11.

Tactile and Sensory Interactions참고 문헌 81인용 수 3

한 줄 요약

이 논문은 시각 장애인 사용자에게 빠르게 적응하는 비침습적 안내를 위한 개인화된 지시 생성 에이전트인 PING을 제안한다. PING는 새로운 가중 다수 결정 회귀 알고리즘을 사용하는 모델 기반 강화 학습을 통해 이뤄지며, 이는 장기적인 위치 예측을 평균 1미터 이상 향상시킨다(20초 예측 간격). 또한, 회전과 같은 중요한 주행 구간에서의 성능을 향상시킨다.

ABSTRACT

We explore the role of personalization for assistive navigational systems (e.g., service robot, wearable system or smartphone app) that guide visually impaired users through speech, sound and haptic-based instructional guidance. Based on our analysis of real-world users, we show that the dynamics of blind users cannot be accounted for by a single universal model but instead must be learned on an individual basis. To learn personalized instructional interfaces, we propose PING (Personalized INstruction Generation agent), a model-based reinforcement learning framework which aims to quickly adapt its state transition dynamics model to match the reactions of the user using a novel end-to-end learned weighted majority-based regression algorithm. In our experiments, we show that PING learns dynamics models significantly faster compared to baseline transfer learning approaches on real-world data. We find that through better reasoning over personal mobility nuances, interaction with surrounding obstacles, and the current navigation task, PING is able to improve the performance of instructional assistive navigation at the most crucial junctions such as turns or veering paths. To enable sufficient planning time over user responses, we emphasize prediction of human motion for long horizons. Specifically, the learned dynamics models are shown to consistently improve long-term position prediction by over 1 meter on average (nearly the width of a hallway) compared to baseline approaches even when considering a prediction horizon of 20 seconds into the future.

연구 동기 및 목표

• 보편적 모델이 시각 장애인의 이동 행동 차이를 포착하는 데에 한계가 있음을 해결하기 위해.
• 개별 사용자 반응과 주행 패턴에 빠르게 적응하는 개인화된 지시 인터페이스를 개발하기 위해.
• 효과적인 보조 주행 안내를 위한 계획 수립을 위해 장기 예측 인간 운동을 향상시키기 위해.
• 사용자별 모델링을 통해 전환점이나 경로 이탈과 같은 중요한 주행 지점에서 성능을 향상시키기 위해.
• 사용자 피드백을 활용해 동적으로 모델을 학습함으로써 실시간 적응을 가능하게 하기 위해.

제안 방법

• PING는 각 사용자에 대해 개인화된 상태 전이 역학을 학습하기 위해 모델 기반 강화 학습 프레임워크를 사용한다.
• 사용자 반응에 맞게 역학 모델을 적응시키기 위해 엔드 투 엔드로 학습된 가중 다수 기반의 회귀 알고리즘을 사용한다.
• 프레임워크는 사용자 고유의 이동 특성, 장애물 상호작용, 현재 주행 작업을 역학 모델링 과정에 통합한다.
• 가이던스를 위한 충분한 계획 시간 확보를 위해 장기 예측(최대 20초)을 수행한다.
• 실세계 사용자 데이터를 기반으로 학습하여 사용자 간 반응 패턴과 주행 행동의 개인적 차이를 포착한다.
• 사용자 상호작용 중 피드백을 활용해 개인화된 역학 모델을 지속적으로 개선한다.

실험 결과

연구 질문

• RQ1 개인화된 역학 모델이 시각 장애인의 보조 주행에서 장기 예측 정확도를 크게 향상시킬 수 있는가?
• RQ2 PING의 엔드 투 엔드 가중 다수 결정 회귀는 전이 학습 기반 대비 개인 사용자에 대한 적응에서 어떻게 비교되는가?
• RQ3 개별화가 전환점이나 경로 이탈과 같은 중요한 주행 지점에서 성능 향상에 얼마나 기여하는가?
• RQ4 학습된 역학 모델이 정확한 장기 예측을 통해 계획 시간을 향상시킬 수 있는가?
• RQ5 개별 이동 특성과 장애물 상호작용은 개인화된 주행 시스템의 성능에 어떤 영향을 미치는가?

주요 결과

• PING는 실세계 데이터에서 기존 전이 학습 기반 접근보다 개인화된 역학 모델을 훨씬 더 빠르게 학습한다.
• 학습된 역학 모델은 20초 예측 간격 동안 평균적으로 1미터 이상의 장기 예측 정확도 향상을 달성한다.
• 성능 향상은 전환점과 경로 이탈과 같은 중요한 주행 지점에서 가장 두드러진다.
• 개별화는 사용자 고유의 이동 패턴과 장애물 상호작용에 대한 더 나은 추론을 가능하게 한다.
• 장기간 예측 시점에서 비개인화 모델 대비 프레임워크가 일관되게 뛰어난 성능을 보인다.
• 엔드 투 엔드 가중 다수 결정 회귀 알고리즘은 개인 사용자 반응 역학에 대한 빠른 적응을 가능하게 한다.