論文の概要: SHARP: Shielding-Aware Robust Planning for Safe and Efficient
Human-Robot Interaction
- arxiv url: http://arxiv.org/abs/2110.00843v1
- Date: Sat, 2 Oct 2021 17:01:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:06:44.551779
- Title: SHARP: Shielding-Aware Robust Planning for Safe and Efficient
Human-Robot Interaction
- Title（参考訳）: SHARP:安全かつ効率的なロボットインタラクションのためのシールド対応ロバスト計画
- Authors: Haimin Hu, Kensuke Nakamura, Jaime F. Fisac
- Abstract要約: シールド」制御スキームは、安全クリティカルなイベントが差し迫った場合に、ロボットの名目上の計画と安全フォールバック戦略をオーバーライドする。
本研究では,ロボットが将来の遮蔽イベントを明示的に考慮し,効率的に計画できる新しい遮蔽型計画手法を提案する。
- 参考スコア（独自算出の注目度）: 5.804727815849655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Jointly achieving safety and efficiency in human-robot interaction (HRI)
settings is a challenging problem, as the robot's planning objectives may be at
odds with the human's own intent and expectations. Recent approaches ensure
safe robot operation in uncertain environments through a supervisory control
scheme, sometimes called "shielding", which overrides the robot's nominal plan
with a safety fallback strategy when a safety-critical event is imminent. These
reactive "last-resort" strategies (typically in the form of aggressive
emergency maneuvers) focus on preserving safety without efficiency
considerations; when the nominal planner is unaware of possible safety
overrides, shielding can be activated more frequently than necessary, leading
to degraded performance. In this work, we propose a new shielding-based
planning approach that allows the robot to plan efficiently by explicitly
accounting for possible future shielding events. Leveraging recent work on
Bayesian human motion prediction, the resulting robot policy proactively
balances nominal performance with the risk of high-cost emergency maneuvers
triggered by low-probability human behaviors. We formalize Shielding-Aware
Robust Planning (SHARP) as a stochastic optimal control problem and propose a
computationally efficient framework for finding tractable approximate solutions
at runtime. Our method outperforms the shielding-agnostic motion planning
baseline (equipped with the same human intent inference scheme) on simulated
driving examples with human trajectories taken from the recently released Waymo
Open Motion Dataset.
- Abstract（参考訳）: 人間とロボットの相互作用(HRI)設定における安全性と効率性の両立は、ロボットの計画目標が人間の意図と期待に反する可能性があるため、難しい問題である。
近年のアプローチでは、安全クリティカルイベントが差し迫った場合に、ロボットの名目上の計画と安全フォールバック戦略をオーバーライドする「シールドディング」と呼ばれる監視制御スキームを通じて、不確実な環境での安全ロボットの動作を保証する。
これらの反応性の「ラスト・リゾート」戦略(通常は積極的緊急行動の形で)は、効率を考慮せずに安全を維持することに焦点を当てており、名目上のプランナーが安全上のオーバーライドを意識していない場合、シールドは必要以上に頻繁に作動し、性能が低下する。
本研究では,ロボットが将来の遮蔽イベントを明示的に考慮し,効率的に計画できる新しい遮蔽型計画手法を提案する。
ベイズ人の人間の動作予測に関する最近の研究を活用し、結果として生じるロボットポリシーは、低確率な人間の行動によって引き起こされる高コストの緊急操作のリスクと、名目のパフォーマンスを積極的にバランスさせる。
遮蔽認識型ロバスト計画 (sharp) を確率的最適制御問題として定式化し, 計算効率の高い近似解を求めるフレームワークを提案する。
提案手法は,最近リリースされたwaymo open motionデータセットから取得したヒューマントラジェクタを用いたシミュレーション駆動例において,遮蔽非依存なモーションプランニングベースライン(同一のヒューマンインテント推論スキームを備える)を上回っている。
関連論文リスト
- Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics [70.93622520400385]
本稿では,VLAに基づくロボットシステムのロバスト性を体系的に評価する。
本研究では,ロボット行動の不安定化に空間的基盤を活用する,標的のない位置認識型攻撃目標を提案する。
また、カメラの視野内に小さなカラフルなパッチを配置し、デジタル環境と物理環境の両方で効果的に攻撃を実行する逆パッチ生成アプローチを設計する。
論文 参考訳（メタデータ） (2024-11-18T01:52:20Z) - ABNet: Attention BarrierNet for Safe and Scalable Robot Learning [58.4951884593569]
バリアベースの手法は、安全なロボット学習における主要なアプローチの1つである。
本稿では,より大規模な基本安全モデルを段階的に構築するスケーラブルなAttention BarrierNet(ABNet)を提案する。
2次元ロボット障害物回避、安全なロボット操作、視覚に基づくエンドツーエンド自動運転におけるABNetの強みを実証する。
論文 参考訳（メタデータ） (2024-06-18T19:37:44Z) - RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。
提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文 参考訳（メタデータ） (2024-05-07T23:32:36Z) - A GP-based Robust Motion Planning Framework for Agile Autonomous Robot
Navigation and Recovery in Unknown Environments [6.859965454961918]
本稿では,将来の動作計画失敗のリスクを積極的に検出するモデルを提案する。
リスクが一定の閾値を超えると、回復動作がトリガーされる。
我々のフレームワークは、計画立案者の失敗を予測し、計画立案者の成功の可能性を示すためにロボットを回復できる。
論文 参考訳（メタデータ） (2024-02-02T18:27:21Z) - Safe multi-agent motion planning under uncertainty for drones using
filtered reinforcement learning [6.783774261623415]
本稿では,強化学習と制約制御に基づく軌道計画の強みを生かした,トラクタブルな運動プランナを提案する。
提案手法は,学習のみに基づく手法よりも訓練が容易な,安全かつリアルタイムな実装可能なマルチエージェントモーションプランナを提供する。
論文 参考訳（メタデータ） (2023-10-31T18:09:26Z) - Active Uncertainty Reduction for Safe and Efficient Interaction
Planning: A Shielding-Aware Dual Control Approach [9.07774184840379]
本稿では,暗黙的二重制御パラダイムに基づく対話型動作計画における能動的不確実性低減を実現するアルゴリズムを提案する。
提案手法は, 動的プログラミングのサンプリングに基づく近似に依拠し, リアルタイム勾配最適化法で容易に解けるモデル予測制御問題に導かれる。
論文 参考訳（メタデータ） (2023-02-01T01:34:48Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - Fast-reactive probabilistic motion planning for high-dimensional robots [15.082715993594121]
p-Chekovは、プロセスノイズや観察ノイズに苦しむ高次元ロボットに安全保証を提供する高速反応型モーションプランニングシステムである。
包括的理論的および経験的分析により、p-チェコフは、実用的なロボット操作タスクにおける衝突リスクに対するユーザ特定確率制約を効果的に満たせることが示された。
論文 参考訳（メタデータ） (2020-12-03T17:51:07Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳（メタデータ） (2020-09-12T02:02:52Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z) - Online Mapping and Motion Planning under Uncertainty for Safe Navigation
in Unknown Environments [3.2296078260106174]
本論文は,確率論的安全保証者によるオンラインで実現可能な動作のマッピングと計画のための不確実性に基づくフレームワークを提案する。
提案手法は, 環境の不確実性を意識した環境表現を構築するために周囲をマッピングし, (i) 信念空間の多層サンプリングベースプランナーを通して, キノダイナミックに実現可能で確率論的に安全な目標に反復的に(re)計画を行うことにより, 動き, 確率論的安全性, オンライン計算制約を取り扱う。
論文 参考訳（メタデータ） (2020-04-26T08:53:37Z)
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。