[论文解读] Towards a Unified Planner For Socially-Aware Navigation

Santosh Balajee Banisetty, David Feil-Seifer|arXiv (Cornell University)|Oct 1, 2018

Social Robot Interaction and HRI参考文献 24被引用 4

一句话总结

本文提出了一种统一的社会感知导航（USAN）架构，通过上下文分类器、意图识别和多目标局部规划器（PaCcET），动态适应不同社交情境下的机器人导航。通过将这些组件集成到ROS导航堆栈中，该系统能够生成符合社会规范的轨迹——例如排队或在群体中定位——在性能和社交可接受性方面均优于传统规划器。

ABSTRACT

This paper presents the framework for a novel Unified Socially-Aware Navigation (USAN) architecture and explains its need in Socially Assistive Robotics (SAR) applications. Our approach emphasizes interpersonal distance and how spatial communication can be used to build a unified planner for a human-robot collaborative environment. Socially-Aware Navigation (SAN) is vital for helping humans to feel comfortable and safe around robots; HRI studies have shown the importance of SAN transcends safety and comfort. SAN plays a crucial role in perceived intelligence, sociability and social capacity of the robot, thereby increasing the acceptance of the robots in public places. Human environments are very dynamic and pose serious social challenges to robots intended for interactions with people. For the robots to cope with the changing dynamics of a situation, there is a need to infer intent and detect changes in the interaction context. SAN has gained immense interest in the social robotics community; to the best of our knowledge, however, there is no planner that can adapt to different interaction contexts spontaneously after autonomously sensing the context. Most of the recent efforts involve social path planning for a single context. In this work, we propose a novel approach for a unified architecture to SAN that can plan and execute trajectories for an autonomously sensed interaction context that are human-friendly. Our approach augments the navigation stack of the Robot Operating System (ROS) utilizing machine learning and optimization tools. We modified the ROS navigation stack using a machine learning-based context classifier and a PaCcET based local planner for us to achieve the goals of USAN. We discuss our preliminary results and concrete plans on putting the pieces together in achieving USAN.

研究动机与目标

• 解决当前机器人仅在单一预设情境下运行、缺乏适应性社交导航的问题。
• 通过确保机器人在导航过程中尊重个人空间和社会规范，改善人机交互。
• 开发一种模块化、可扩展的社会感知导航架构，集成感知、上下文理解与运动规划。
• 使机器人能够自主检测交互情境，并据此选择适当的导航目标。
• 通过使导航行为符合人类社会期望和邻近距离规则，提升机器人在公共空间中的可接受度。

提出的方法

• 在ROS导航堆栈中增强一个基于机器学习的上下文分类器，以检测诸如“会面”、“结伴而行”或“排队等候”等交互场景。
• 集成基于PaCcET的局部规划器，实时优化多个社交和性能目标（如距离、接近度、群体对齐等）。
• 使用主目标选择器，根据检测到的上下文动态选择相关社交目标，例如加入队伍或在群体中定位。
• 应用多目标优化，生成在社交规范（如邻近距离）与传统导航指标（如时间和距离）之间取得平衡的轨迹。
• 设计模块化系统，支持为不同机器人平台和环境插拔自定义感知与规划模块。
• 通过仿真以及在PR2和Pioneer机器人上的计划实验，使用性能和社交可接受性指标验证该架构。

实验结果

研究问题

• RQ1 机器人如何在导航过程中自主检测并适应不同的社交互动情境？
• RQ2 在多样化的社交场景中，哪些社交与性能目标的组合最有效地生成符合人类友好性的轨迹？
• RQ3 统一规划器是否能在社交可接受性和导航效率方面优于情境特定的规划器？
• RQ4 与传统非社交规划器相比，人类参与者如何感知并回应尊重社会规范的机器人导航行为？
• RQ5 哪些指标最能捕捉人机交互场景中机器人导航的社会质量？

主要发现

• 所提出的USAN架构成功整合了上下文分类、意图识别与多目标规划，生成了上下文感知的轨迹。
• 在“排队等候”场景中，基于PaCcET的规划器使机器人成功加入队伍，而传统规划器则将其引导至队列前方——展示了符合社交规范的行为。
• 该系统使机器人能够在群体情境中适当地定位自身，例如形成O形队列以与所有成员互动。
• 初步结果显示，模块化架构支持基于上下文的动态目标选择，提升了社交契合度。
• 该团队计划通过面对面实验和观察者研究，使用经验证的舒适度、自然度与亲和力量表来验证系统。
• 该方法有望克服现有SAN系统仅限于单情境运行的局限性。