[论文解读] Following Social Groups: Socially Compliant Autonomous Navigation in Dense Crowds

Xinjie Yao, Ji Zhang+1 more|arXiv (Cornell University)|Nov 27, 2019

Evacuation and Crowd Dynamics参考文献 13被引用 11

一句话总结

本文提出了一种面向密集人群的自主机器人社会合规导航系统，通过基于深度学习的Group-Navi GAN追踪并融入流动的社会群体。该系统结合了用于群体跟随行为的全局规划层与基于几何的局部碰撞避免层，在10×20 m区域内人群密度达10人以上的实际密集环境中，显著减少了行人干扰和碰撞，实现了更安全、更自然的导航。

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.

研究动机与目标

• 解决在密集人群中直接路径跟随导致不适与碰撞的社会合规导航挑战。
• 通过建模并利用集体群体行为而非将行人视为孤立个体，提升导航的安全性与自然性。
• 通过使机器人跟随与自身同向移动的社会群体流动，减少对行人的干扰与碰撞率。
• 开发一种多层导航系统，结合基于深度学习的社会群体追踪与基于几何的局部碰撞避免。
• 通过真实世界实验与大规模用户研究验证系统在感知安全性与自然性方面的有效性。

提出的方法

• 该系统采用三子系统架构：状态估计（融合激光雷达、视觉与IMU数据）、局部规划（基于轨迹库生成无碰撞轨迹）和社会导航规划。
• Group-Navi GAN深度神经网络通过建模指向目标的意图力与来自附近行人及群体成员的群体力，生成导航航点。
• 群体聚合模块通过预训练的SVM分类器，利用时空运动相似性（速度、位置、朝向）推断社会群体成员身份。
• 群体力生成器计算路径调整，引导机器人与同向移动的群体流动对齐并跟随。
• 局部规划子系统利用激光扫描数据与几何轨迹库实现实时碰撞避免。
• 系统在仿真环境（18名行人，6个群体）与真实世界环境（6名行人，2个群体）中进行训练与评估，采用搭载激光雷达、摄像头与IMU的轮椅机器人。

实验结果

研究问题

• RQ1 机器人是否能通过融入社会群体流动而非直接前往目标点，实现在密集人群中的安全且自然的导航？
• RQ2 与直接路径跟随相比，基于群体的导航在碰撞率与行人干扰方面表现如何？
• RQ3 学习群体层面的社会力在多大程度上提升了机器人导航的自然性与安全性？
• RQ4 深度学习模型是否能仅通过时空运动线索有效推断社会群体成员身份并指导导航？
• RQ5 当采用群体跟随策略时，人类观察者如何感知机器人导航的安全性与自然性，相较于直接路径跟随？

主要发现

• 在真实世界实验中，95%的参与者表示使用直接导航（无社会模型）时机器人迫使行人改变路径，而使用社会模型后该比例降至4%。
• 碰撞率从使用社会模型前的93%（各场景平均）下降至28%，表明安全性显著提升。
• 调查结果显示，超过90%的参与者认为无社会模型的导航不安全，而使用社会模型后，不安全感知比例低于40%。
• 机器人成功跟随了同向移动的社会群体流动，避免了与迎面而来的群体发生冲突，并减少了对行人的干扰。
• 系统在最多10+人的10×20 m密集环境中表现出稳健性能，保持了安全且合规的导航。
• Group-Navi GAN实现群体感知规划与几何局部规划器的结合，使系统在复杂真实场景中实现了安全、自然且社会合规的导航。