[论文解读] Group-Aware Robot Navigation in Crowded Environments.

Kapil D. Katyal, Yuxiang Gao+3 more|arXiv (Cornell University)|Dec 22, 2020

Evacuation and Crowd Dynamics参考文献 45被引用 4

一句话总结

本文提出了一种基于深度强化学习的群体感知导航策略，用于在人群密集环境中导航移动机器人，以建模动态人类群体。通过学习尊重群体结构，该机器人相较于将个体独立处理的基线方法，实现了更少的碰撞、更少的社会规范违反以及更低的行人不适感。

ABSTRACT

Human-aware robot navigation promises a range of applications in which mobile robots bring versatile assistance to people in common human environments. While prior research has mostly focused on modeling pedestrians as independent, intentional individuals, people move in groups; consequently, it is imperative for mobile robots to respect human groups when navigating around people. This paper explores learning group-aware navigation policies based on dynamic group formation using deep reinforcement learning. Through simulation experiments, we show that group-aware policies, compared to baseline policies that neglect human groups, achieve greater robot navigation performance (e.g., fewer collisions), minimize violation of social norms and discomfort, and reduce the robot's movement impact on pedestrians. Our results contribute to the development of social navigation and the integration of mobile robots into human environments.

研究动机与目标

• 解决先前机器人导航系统将行人视为独立个体、忽略群体动态的局限性。
• 通过建模动态人类群体结构，提升机器人在人群密集环境中的导航性能。
• 通过尊重社交规范和群体凝聚力来最小化对行人的负面影响。
• 开发一种增强社会兼容性并减少人机交互中不适感的导航策略。

提出的方法

• 使用深度强化学习训练一种考虑动态人类群体结构的导航策略。
• 将人类群体建模为具有凝聚力的整体，而非孤立的个体，以捕捉其空间与行为的一致性。
• 利用仿真环境在真实人群条件下训练和评估该策略。
• 在奖励函数中整合社交规范与群体完整性，以引导社会合规行为。
• 通过模仿学习与强化学习端到端训练策略，以平衡效率与社会可接受性。
• 集成群体检测与跟踪机制，实现实时识别并尊重群体边界。

实验结果

研究问题

• RQ1 建模人类群体在多大程度上提升了机器人在人群密集环境中的导航性能？
• RQ2 与以个体为中心的策略相比，群体感知导航在减少碰撞与社会规范违反方面效果如何？
• RQ3 群体感知导航如何影响行人舒适度及对机器人行为的感知？
• RQ4 深度强化学习策略能否有效学习在导航过程中尊重动态群体结构？

主要发现

• 群体感知策略相比忽略群体结构的基线策略，显著减少了碰撞次数。
• 所提方法减少了社会规范的违反，并最小化了行人在机器人导航过程中的不适感。
• 与以个体为导向的导航相比，该策略对行人流动和群体凝聚力的整体影响更低。
• 仿真结果表明，尊重群体动态可带来更自然且社会可接受的机器人行为。
• 该策略学会了通过避免破坏性的路径交叉或分离来保持群体完整性。
• 在不同人群密度与群体配置下，性能提升保持一致。