[논문 리뷰] Following Social Groups: Socially Compliant Autonomous Navigation in Dense Crowds

Xinjie Yao, Ji Zhang외 1명|arXiv (Cornell University)|2019. 11. 27.

Evacuation and Crowd Dynamics참고 문헌 13인용 수 11

한 줄 요약

이 논문은 10×20 m 영역 내에서 10명 이상의 인파가 있는 실세계 환경에서, 딥러닝 기반의 Group-Navi GAN을 사용해 유동적인 사회적 집단을 추적하고 참여함으로써, 자율 로봇의 사회적으로 타당한 주행 시스템을 제안한다. 이 시스템은 집단 따라하기 행동을 위한 글로벌 계획 레이어와 지역적 충돌 회피 레이어를 통합하여, 보행자 간 갈등과 충돌을 줄이며 더 안전하고 자연스러운 주행을 실현한다.

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.

연구 동기 및 목표

• 직접 경로 추종이 불편함과 충돌을 유발하는 인파가 많은 환경에서 사회적으로 타당한 주행을 해결하기 위해.
• 개별 보행자를 고립된 에이전트로 보는 대신 집단 행동을 모델링하고 활용함으로써 주행의 안전성과 자연스러움을 향상시키기 위해.
• 같은 방향으로 움직이는 사회적 집단의 흐름을 따라가도록 함으로써 보행자 간 갈등과 충돌 빈도를 줄이기 위해.
• 딥러닝을 통한 사회적 집단 추적과 기하학 기반 지역적 충돌 회피를 결합한 다층 주행 시스템을 개발하기 위해.
• 실세계 실험과 대규모 사용자 연구를 통해 시스템의 효과성을 검증하기 위해.

제안 방법

• 시스템은 상태 추정(라이adar, 시각, 자이로스코프 데이터 융합), 지역 계획(경로 라이브러리를 통한 충돌 없는 경로 생성), 사회적 주행 계획의 세 부분으로 구성된 아키텍처를 사용한다.
• Group-Navi GAN 딥 네트워크는 목표 향한 의도력과 주변 보행자 및 집단 구성원으로부터 오는 집단력의 힘을 모델링하여 주행 웨이포인트를 생성한다.
• 그룹 풀링 모듈은 사전 훈련된 SVM 분류기를 통해 공간-시간적 운동 유사성(속도, 위치, 향방)을 기반으로 사회적 집단 소속을 추론한다.
• 그룹력 생성기에서는 같은 향방을 가진 집단의 흐름에 따라 로봇의 경로 조정을 계산하여 집단과 일치하고 따라가도록 유도한다.
• 지역 계획 서브시스템은 레이저 스캔 데이터와 기하학적 경로 라이브러리를 사용하여 실시간 충돌 회피를 보장한다.
• 시스템은 시뮬레이션(6개 집단에 18명의 보행자)과 실세계 환경(2개 집단에 6명의 보행자)에서 테스트되었으며, 라이다, 카메라, 자이로스코프를 탑재한 휠체어형 로봇을 사용해 훈련 및 평가되었다.

실험 결과

연구 질문

• RQ1 직접 목표 지점으로 향하는 경로를 추종하는 대신 사회적 집단의 흐름에 따라 움직임으로써 로봇이 인파 속에서 안전하고 자연스럽게 주행할 수 있는가?
• RQ2 직접 경로 추종 대비 집단 기반 주행의 충돌 빈도와 보행자 간 갈등 수준은 어떻게 다른가?
• RQ3 집단 수준의 사회적 힘을 학습함으로써 로봇 주행의 자연스러움과 안전성이 얼마나 향상되는가?
• RQ4 딥러닝 모델이 공간-시간적 운동 특성만을 기반으로 사회적 집단 소속을 효과적으로 추론하고 주행을 안내할 수 있는가?
• RQ5 사람 관찰자들이 집단 따라하기 기반 주행을 사용할 경우와 직접 경로 추종을 사용할 경우, 로봇 주행의 안전성과 자연스러움을 어떻게 평가하는가?

주요 결과

• 실세계 실험에서 직접 주행 모델(사회적 모델 없음)을 사용할 경우 참가자 95%가 로봇 주행으로 보행자가 경로를 변경해야 했다고 보고했으며, 사회적 모델을 사용할 경우 이 비율은 4%로 감소했다.
• 사회적 모델 사용 시 평균적으로 모든 시나리오에서 충돌률이 93%에서 28%로 감소하여 안전성 향상이 뚜렷하게 나타났다.
• 설문 조사 결과, 90% 이상의 참가자가 사회적 모델이 없는 주행은 위험하다고 평가했으나, 사회적 모델이 있는 주행은 40% 미만이 위험하다고 느꼈다.
• 로봇은 같은 방향으로 움직이는 사회적 집단의 흐름을 성공적으로 따라가며, 만남 방향의 집단과의 충돌을 피하고 갈등을 줄였다.
• 10×20 m 영역 내에서 최대 10명 이상의 인파가 있는 농촌 환경에서도 안정적인 성능을 보였으며, 안전하고 사회적으로 타당한 주행을 유지했다.
• Group-Navi GAN을 통한 집단 인지 주행 계획과 기하학적 지역 계획기의 조합은 복잡한 실세계 환경에서 안전하고 자연스럽고 사회적으로 타당한 주행을 실현했다.