文献

J-GLOBAL ID：202102253263145916   整理番号：21A0672042

L2B:対話型群衆認識ロボットナビゲーションにおける安全効率トレードオフをバランスさせるための学習【JST・京大機械翻訳】

L2B: Learning to Balance the Safety-Efficiency Trade-off in Interactive Crowd-aware Robot Navigation

著者 (2件)： Nishimura Mai (OMRON SINIC X Corporation,Bunkyo-ku,Tokyo,Japan) ,  Yonetani Ryo (OMRON SINIC X Corporation,Bunkyo-ku,Tokyo,Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IROS  ページ： 11004-11010  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本研究では,混雑場所における対話型ナビゲーションのための深層強化学習フレームワークを提案した。本提案のLearning(L2B)フレームワークは,モバイルロボットエージェントが,クラウドとの衝突を回避することによって,移動ロボットエージェントを安全に操縦することを可能にし,一方,その旅行効率を保つために,必要ならば,近隣の歩行者を近づけることにより,経路を積極的に取り除くことができる。クラウド意識ナビゲーションにおける安全性と効率要求は,エージェントとクラウド間の社会的ジレンマの存在においてトレードオフを持つことを観測した。一方では,歩行者経路における介入は,即座効率を達成するには,自然群衆流を崩壊させる結果となり,最終的には,衝突のリスクで,自己を含む誰も,最終的には,誰をもたらす可能性がある。一方,あらゆる単一衝突を回避するためのサイレントの維持は,エージェントの非効率的旅行につながるであろう。この観測により,著者らのL2Bフレームワークは,頻繁なアクティブパスクリアリングと受動衝突回避をペナルティ化するために対話型ナビゲーションポリシーを学習する際に用いられる報酬関数を強化し,それは,安全効率トレードオフのバランスを大幅に改善する。挑戦的なクラウドシミュレーションにおけるL2Bフレームワークを評価し,最先端のナビゲーションアプローチでナビゲーション成功と衝突速度の両方に関してその優位性を実証した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  *ロボット ,  歩行者 ,  旅行 ,  移動ロボット ,  ペナルティ ,  携帯電話 ,  エージェント ,  衝突回避
準シソーラス用語： *対話型 ,  報酬関数 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 対話型 ,  ロボットナビゲーション ,  トレードオフ ,  バランス ,  学習