トランスフォーマーベースの人間の動きの予測と,テレプレゼンスのロボットの共同ナビゲーションのための安全な強化学習と組み合わせた

科学分野:

• ロボット工学 ロボット工学 ロボット工学
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• 人間とロボットの相互作用

背景:

• テレプレゼンスロボット (TPR) は,閉じ込められた病院の環境で,人間と安全な共同ナビゲーションを必要とします.
• 現在の方法では,人間の動きを予測する代わりに,その動きに反応することが多く,賑わいのあるエリアでの頑丈さを制限しています.
• 短距離の人間の動きを予測し,安全に制限された制御を統合することは,TPRのナビゲーションを改善するために不可欠です.

研究 の 目的:

• 病院環境におけるTPRのための,予測的で安全性を意識したコナビゲーションの枠組みを評価する.
• ロボットの強固さを高めるため,人間の運動予測と安全性制限の制御を統合するギャップを埋める.
• 人密度の高い臨床レイアウトにおけるTPRの安全性と信頼性を向上させる.

主な方法:

• マルチエージェント軌道予測のためのトランスフォーマーベースの予報器と安全な強化学習 (RL) コントローラを組み合わせたモジュラーフレームワークを開発しました.
• リスク感知型占有機能として,予測された歩行者状態をRL政策に統合した.
• 制限されたポリシー最適化と制御バリア機能 (CBF) のシールドを使用して,不安全なアクションをフィルタリングする安全性の強化.
• 社会的な力/DWA,注意に基づく群衆RL,およびMPC+CBFを病院のような廊下と病棟のベンチマークと比較した.

主要な成果:

• 提案された方法は,最高のベースラインと比較して,タスクの成功率を21.6%向上させ,衝突を47.3%削減しました.
• ミニマムヒューマン-ロボットのクリアランスの平均は0.19m増加し,ほぼミス事件は38.5%減少した.
• Time-to-goalは,CBF違反がゼロでMPC+CBFに匹敵し,消去は予測を示し,CBFシールドはパフォーマンスのために重要でした.

結論:

• Safe-RLと組み合わせた予期知覚は,効率を損なうことなく,病院におけるテレプレゼンスの共同ナビゲーションの安全性と信頼性を大幅に高めます.
• モジュール型フレームワークにより,代替予報機と安全シールドの選択に柔軟性があります.
• 将来の作業には,デバイス上の適応を探求し,病院のライブワークフローの評価のためのオペレーターの意図を組み込むことが含まれます.