[论文解读] A Realtime Autonomous Robot Navigation Framework for Human like High-level Interaction and Task Planning in Global Dynamic Environment

Sung-Hyeon Joo, Sumaira Manzoor+3 more|arXiv (Cornell University)|May 30, 2019

Robotics and Sensor-Based Localization参考文献 15被引用 7

一句话总结

本文提出了一种实时自主机器人导航框架，可在全局动态的未知环境中实现类人高阶交互与任务规划。通过整合基于云的数据库、三维视觉语义SLAM以及双记忆系统（LTM/STM），该框架采用模块化架构，结合自主导航、学习与行为规划模块，利用ROS/Gazebo仿真平台，基于RGB-D与激光传感器验证了其有效性。

ABSTRACT

In this paper, we present a framework for real-time autonomous robot navigation based on cloud and on-demand databases to address two major issues of human-like robot interaction and task planning in global dynamic environment, which is not known a priori. Our framework contributes to make human-like brain GPS mapping system for robot using spatial information and performs 3D visual semantic SLAM for independent robot navigation. We accomplish the feat by separating robot's memory system into Long-Term Memory (LTM) and Short-Term Memory (STM). We also form robot's behavior and knowledge system by linking these memories to Autonomous Navigation Module (ANM), Learning Module (LM), and Behavior Planner Module (BPM). The proposed framework is assessed through simulation using ROS-based Gazebo-simulated mobile robot, RGB-D camera (3D sensor) and a laser range finder (2D sensor) in 3D model of realistic indoor environment. Simulation corroborates the substantial practical merit of our proposed framework.

研究动机与目标

• 解决在全局动态、事先未知环境中的实时自主机器人导航挑战。
• 通过受认知启发的记忆与行为架构，实现类人高阶交互与任务规划。
• 将来自云端和按需访问的数据库的空间知识与实时感知相结合，实现稳健导航。
• 开发一种模块化框架，整合长期记忆（LTM）、短期记忆（STM）与行为规划，以实现适应性机器人行为。
• 在使用ROS与Gazebo的逼真室内仿真环境中，通过RGB-D与激光传感器验证该框架。

提出的方法

• 该框架采用双记忆系统：长期记忆（LTM）用于持久的空间与语义知识存储，短期记忆（STM）用于实时上下文与任务特定数据。
• 使用三维视觉语义SLAM，基于RGB-D摄像头数据构建并更新环境的语义地图。
• 激光测距数据提供二维障碍物检测与定位支持，以增强导航鲁棒性。
• 自主导航模块（ANM）利用LTM与STM实现实时路径规划。
• 学习模块（LM）根据新观测与经验更新LTM与STM。
• 行为规划模块（BPM）通过将记忆系统与导航目标关联，协调高阶任务规划。

实验结果

研究问题

• RQ1 机器人如何在全局动态、未知环境中实现类人高阶任务规划？
• RQ2 双记忆架构（LTM/STM）在实现实时适应与长期学习中发挥何种作用？
• RQ3 基于云的与按需数据库如何增强自主导航的空间与语义知识？
• RQ4 三维视觉语义SLAM在动态室内环境中在多大程度上提升了导航鲁棒性？
• RQ5 ANM、LM与BPM模块的集成如何实现自主导航中连贯的类人行为？

主要发现

• 该框架成功实现了在ROS与Gazebo仿真环境中，基于RGB-D与激光传感器的动态室内环境下的实时自主导航。
• 将三维视觉语义SLAM与基于激光的定位相结合，显著提升了环境感知与障碍物避让能力。
• 双记忆系统（LTM/STM）在导航任务中支持持久学习与实时适应。
• 仿真结果表明，所提出的框架在复杂多变环境中具有实际应用价值与鲁棒性。
• 模块化架构（ANM、LM、BPM）在动态条件下实现了可扩展的类人行为规划。
• 使用云端与按需数据库显著增强了机器人实时访问与更新空间与语义知识的能力。