[论文解读] 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 6

一句话总结

该论文提出了交互式吉布森基准（Interactive Gibson Benchmark），这是一个用于在杂乱室内环境中训练和评估交互式导航的新基准，结合了高保真度仿真环境与物理动力学，并引入了新型度量标准以评估导航效率和物体交互表现。论文展示了基于学习的基线方法，并揭示了路径效率与环境干扰之间的权衡。

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.

研究动机与目标

• 为解决交互式导航缺乏全面基准的问题，使机器人能够通过与物体的物理交互来实现导航目标。
• 开发一个高保真度的仿真环境，以真实还原室内场景，包含精确的视觉与物理动力学。
• 设计一组度量标准，用于量化导航表现与物体操作之间的相互作用。
• 在该新基准上评估基于学习的方法，并分析路径效率与环境干扰之间的权衡。
• 提供一个公开可用的平台，以支持跨机器人学领域的标准化比较与交互式导航解决方案的持续发展。

提出的方法

• 交互式吉布森环境模拟了包含高保真视觉效果和真实物理动力学的详细室内场景，适用于机器人和常见家用物体。
• 该基准集成了导航任务，代理需抵达目标位置，同时可选择移动或重新定位物体以清理路径。
• 引入了一套度量标准，用于评估导航效率（如路径长度）和交互影响（如被移动物体的数量、物体位移量）。
• 基于学习的基线方法在环境中通过模仿学习与强化学习方法进行训练与评估。
• 该基准支持多种导航策略，包括优先考虑最小化物体干扰或最优路径效率的策略。
• 平台已公开发布，以支持可复现性，并促进社区范围内的交互式导航方法评估。

实验结果

研究问题

• RQ1 在杂乱环境中，不同基于学习的导航策略在路径效率与物体干扰方面表现如何？
• RQ2 在最小化导航路径长度与最小化对周围环境的干扰之间，存在何种权衡？
• RQ3 在杂乱的室内场景中，物体的物理交互在多大程度上能提升导航成功率？
• RQ4 不同导航策略如何在探索、路径规划与物体操作之间实现平衡？
• RQ5 当导航需要物理交互时，当前基于学习的方法存在哪些局限性？

主要发现

• 基于学习的基线方法通过利用物体操作清除障碍路径，显著提升了导航成功率。
• 优先考虑最小化物体干扰的策略会导致更长的导航路径，表明效率与环境保全之间存在明确的权衡。
• 该基准揭示，在高度杂乱的环境中，物体重新定位能显著提升导航表现。
• 不同的训练范式（如模仿学习与强化学习）导致不同的交互模式和路径效率结果。
• 所提出的度量标准有效捕捉了交互式导航的复杂性，支持对智能体行为的细致比较。
• 该基准的公开发布支持了标准化评估，并促进了机器人学研究社区中的创新。