論文の概要: A Graph Neural Network to Model User Comfort in Robot Navigation
- arxiv url: http://arxiv.org/abs/2102.08863v1
- Date: Wed, 17 Feb 2021 16:44:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 03:28:46.348267
- Title: A Graph Neural Network to Model User Comfort in Robot Navigation
- Title（参考訳）: ロボットナビゲーションにおける快適性をモデル化するグラフニューラルネットワーク
- Authors: Pilar Bachiller and Daniel Rodriguez-Criado and Ronit R. Jorvekar and
Pablo Bustos and Diego R. Faria and Luis J. Manso
- Abstract要約: 本稿では,人やロボットの動きを考慮し,グラフニューラルネットワークを用いてロボットの破壊をモデル化する。
モデルはデータセットで人間に近いパフォーマンスを訓練した。
- 参考スコア（独自算出の注目度）: 1.6751551703600527
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Autonomous navigation is a key skill for assistive and service robots. To be
successful, robots have to minimise the disruption caused to humans while
moving. This implies predicting how people will move and complying with social
conventions. Avoiding disrupting personal spaces, people's paths and
interactions are examples of these social conventions. This paper leverages
Graph Neural Networks to model robot disruption considering the movement of the
humans and the robot so that the model built can be used by path planning
algorithms. Along with the model, this paper presents an evolution of the
dataset SocNav1 which considers the movement of the robot and the humans, and
an updated scenario-to-graph transformation which is tested using different
Graph Neural Network blocks. The model trained achieves close-to-human
performance in the dataset. In addition to its accuracy, the main advantage of
the approach is its scalability in terms of the number of social factors that
can be considered in comparison with handcrafted models.
- Abstract（参考訳）: 自律ナビゲーションは、アシストロボットやサービスロボットにとって重要なスキルだ。
成功するためには、ロボットは移動中の人間の破壊を最小限に抑える必要がある。
これは人々がどのように行動し、社会的慣例に従うかを予測することを意味する。
個人の空間を乱すのを避けるため、人々の道や交流はこれらの社会的慣習の例である。
本稿では,人やロボットの動きを考慮し,グラフニューラルネットワークを用いてロボットの破壊をモデル化し,経路計画アルゴリズムを用いてモデルを構築する。
本稿では,ロボットと人間の移動を考慮したデータセットsocnav1の進化と,異なるグラフニューラルネットワークブロックを用いてテストした新たなシナリオからグラフへの変換について述べる。
トレーニングされたモデルは、データセットで人間に近いパフォーマンスを達成する。
その正確性に加えて、アプローチの主な利点は、手作りモデルと比較して考慮することができる社会的要因の数の観点から、そのスケーラビリティである。
関連論文リスト
- InteRACT: Transformer Models for Human Intent Prediction Conditioned on Robot Actions [7.574421886354134]
InteRACTアーキテクチャは、大規模な人間と人間のデータセットと小さな人間とロボットのデータセットの微細構造に関する条件付き意図予測モデルを事前訓練する。
実世界の協調的なロボット操作タスクについて評価し、条件付きモデルが様々な限界ベースラインよりも改善されていることを示す。
論文 参考訳（メタデータ） (2023-11-21T19:15:17Z) - ImitationNet: Unsupervised Human-to-Robot Motion Retargeting via Shared Latent Space [9.806227900768926]
本稿では,ロボットの動きに対する新しいディープラーニング手法を提案する。
本手法では,新しいロボットへの翻訳を容易にする,人間とロボットのペアデータを必要としない。
我々のモデルは、効率と精度の観点から、人間とロボットの類似性に関する既存の研究よりも優れています。
論文 参考訳（メタデータ） (2023-09-11T08:55:04Z) - SACSoN: Scalable Autonomous Control for Social Navigation [62.59274275261392]
我々は、社会的に邪魔にならないナビゲーションのための政策の訓練方法を開発した。
この反事実的摂動を最小化することにより、共有空間における人間の自然な振る舞いを変えない方法でロボットに行動を促すことができる。
屋内移動ロボットが人間の傍観者と対話する大規模なデータセットを収集する。
論文 参考訳（メタデータ） (2023-06-02T19:07:52Z) - Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。
本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。
ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
論文 参考訳（メタデータ） (2022-03-31T23:08:20Z) - Socially Compliant Navigation Dataset (SCAND): A Large-Scale Dataset of
Demonstrations for Social Navigation [92.66286342108934]
社会ナビゲーションは、ロボットのような自律的なエージェントが、人間のような他の知的エージェントの存在下で、社会的に従順な方法でナビゲートする能力である。
私たちのデータセットには8.7時間、128の軌道、25マイルの社会的に適合した人間の遠隔運転デモが含まれています。
論文 参考訳（メタデータ） (2022-03-28T19:09:11Z) - Dynamically Switching Human Prediction Models for Efficient Planning [32.180808286226075]
ロボットは人間のモデル群にアクセスでき、オンラインで性能計算のトレードオフを評価することができる。
ドライビングシミュレーターを用いた実験では、ロボットが常に最高の人間モデルに匹敵する性能を発揮できることを示した。
論文 参考訳（メタデータ） (2021-03-13T23:48:09Z) - Where is my hand? Deep hand segmentation for visual self-recognition in
humanoid robots [129.46920552019247]
本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。
ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
論文 参考訳（メタデータ） (2021-02-09T10:34:32Z) - Human Grasp Classification for Reactive Human-to-Robot Handovers [50.91803283297065]
本稿では,ロボットが人間に遭遇するロボットのハンドオーバに対するアプローチを提案する。
対象物をさまざまな手形やポーズで保持する典型的な方法をカバーする,人間の把握データセットを収集する。
本稿では,検出した把握位置と手の位置に応じて人手から対象物を取り出す計画実行手法を提案する。
論文 参考訳（メタデータ） (2020-03-12T19:58:03Z) - Hyperparameters optimization for Deep Learning based emotion prediction
for Human Robot Interaction [0.2549905572365809]
インセプションモジュールをベースとした畳み込みニューラルネットワークアーキテクチャを提案する。
モデルは人型ロボットNAOにリアルタイムに実装され、モデルの堅牢性を評価する。
論文 参考訳（メタデータ） (2020-01-12T05:25:02Z) - Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。
しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。
本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文 参考訳（メタデータ） (2019-12-30T01:10:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。