[논문 리뷰] Personalized Dynamics Models for Adaptive Assistive Navigation Systems

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

Tactile and Sensory Interactions인용 수 13

한 줄 요약

이 논문은 시각 장애를 가진 개인 사용자에게 빠르고 샘플 효율적으로 보조 항법 시스템을 적응시킬 수 있도록 가중 전문가 알고리즘을 사용하는 개인화된 동역학 모델인 PING을 제안한다. 사용자별 반응 시간과 이동 행동을 모델링함으로써, 20초 동안 장기적인 경로 예측 정확도를 약 복도 너비(≈1.2m) 향상시키고, 비적응 기반 모델 대비 큰 경로 이탈을 49% 감소시킨다.

ABSTRACT

Consider an assistive system that guides visually impaired users through speech and haptic feedback to their destination. Existing robotic and ubiquitous navigation technologies (e.g., portable, ground, or wearable systems) often operate in a generic, user-agnostic manner. However, to minimize confusion and navigation errors, our real-world analysis reveals a crucial need to adapt the instructional guidance across different end-users with diverse mobility skills. To address this practical issue in scalable system design, we propose a novel model-based reinforcement learning framework for personalizing the system-user interaction experience. When incrementally adapting the system to new users, we propose to use a weighted experts model for addressing data-efficiency limitations in transfer learning with deep models. A real-world dataset of navigation by blind users is used to show that the proposed approach allows for (1) more accurate long-term human behavior prediction (up to 20 seconds into the future) through improved reasoning over personal mobility characteristics, interaction with surrounding obstacles, and the current navigation goal, and (2) quick adaptation at the onset of learning, when data is limited.

연구 동기 및 목표

• 시각 장애를 가진 사용자에게 적용되는 기존 보조 항법 시스템의 개인화 부족 문제를 해결한다.
• 새로운 사용자에게 적응할 때 딥 모델의 전이 학습에서 데이터 효율성 한계를 극복한다.
• 높은 개인 간 변동성이 있는 복잡한 실내 환경에서 장기적인 인간 행동 예측을 향상시킨다.
• 제한된 초기 데이터로도 개인 사용자의 동역학에 맞는 지시 시간을 신속하게 적응시킬 수 있도록 한다.
• 실시간 개인화 지시 생성을 위한 확장 가능한 모델 기반 강화 학습 프레임워크를 개발한다.

제안 방법

• 사용자 상태와 환경에 기반한 음성/촉각 지시가 동작이 되는 마르코프 결정 과정(MDP)으로 보조 항법 상호작용을 정의한다.
• 사전 훈련된 동역학 모델을 조합하기 위해 가중 전문가 모델을 사용하여 관찰된 행동에 기반해 전문가를 동적으로 가중함으로써 새로운 사용자에게 빠른 적응을 가능하게 한다.
• 비선형 경로, 기울기, 지연된 반응을 캡처하는 실내 환경에서의 실세계 시각 장애 사용자 데이터셋을 기반으로 동역학 모델을 훈련한다.
• 항법 오차를 최소화하고 경로 내 이동을 최대화하는 지시 시퀀스를 계획하기 위해 모델 기반 강화 학습을 활용한다.
• 장애물 상호작용(예: 벽 따라 이동) 모델링을 동역학 모델에 통합하여 현실성과 예측 정밀도를 향상시킨다.
• 반응 시간, 속도, 기울기 등이 랜덤화된 시뮬레이션 사용자를 이용해 다양한 이동 프로파일에서의 강인성을 테스트한다.

실험 결과

연구 질문

• RQ1 다양한 이동 능력을 가진 새로운 시각 장애 사용자에게 빠르고 정확하게 적응할 수 있는 보조 항법 시스템은 어떻게 설계할 수 있는가?
• RQ2 표준 미세조정 대비 가중 전문가 모델이 전이 학습에서 데이터 효율성과 예측 정확도를 얼마나 향상시키는가?
• RQ3 개인화된 동역학 모델은 복잡한 실내 항법 시나리오에서 장기적인 경로 예측(예: 20초 후)을 어떻게 향상시킬 수 있는가?
• RQ4 개인화는 지시 피드백의 시기와 내용에 어떤 영향을 미치며, 항법 성공에 어떤 영향을 미치는가?
• RQ5 다양한 걷기 행동을 일반화하면서도 장애물이 많은 환경에서 안전성과 정확성을 유지할 수 있는가?

주요 결과

• 제안된 가중 전문가 모델은 표준 미세조정 기반 모델 대비 20초 예측 수렴 기간 동안 예측 오차를 복도 너비(≈1.2m) 정도 감소시킨다.
• 제한된 데이터로도 거의 사용자별 최적의 모델 성능을 달성하여 높은 샘플 효율성을 입증한다.
• 비적응 기반 정책 대비 큰 경로 이탈(>1.5m)이 49% 감소함을 관측했다.
• 기울기와 벽 따라 이동과 같은 사용자별 행동을 성공적으로 캡처하여 변동성이 높은 상황에서도 타당한 예측을 생성한다.
• 국소화 노이즈로 인해 일부 예측이 벽을 통과할 수는 있으나, 장애물 및 사용자 동역학과의 의미 있는 상호작용을 학습한다.
• 풍부한 데이터가 있음에도 불구하고 단일 모델 미세조정보다 가중 전문가 접근이 더 우수한 일반화 성능을 보이며, 더 높은 강인성과 일반화 능력을 입증한다.