Inverse Reinforcement Learning-Algorithmen und -Merkmale für die Roboternavigation in Menschenmengen: Ein experimenteller Vergleich

Für mobile Roboter, die in von Menschen bevölkerten Umgebungen operieren, ist die Modellierung sozialer Interaktionen entscheidend, um das Verhalten der Menschen zu verstehen und nachzuahmen. Ein vielversprechender Ansatz in diesem Zusammenhang ist das Inverse Reinforcement Learning (IRL), da es ermöglicht, die Faktoren zu modellieren, die die Handlungen der Menschen motivieren, anstatt die Handlungen selbst. Eine entscheidende Entwurfsentscheidung im IRL ist die Auswahl von Merkmalen, die den Kontext des Agenten kodieren. In verwandten Arbeiten werden Merkmale typischerweise ad hoc ohne systematische Bewertung der Alternativen und deren tatsächlichen Einfluss auf die Aufgabe des Roboters ausgewählt. In diesem Papier stellen wir ein neues Software-Framework vor, um systematisch die Wirkung von Merkmalen und Lernalgorithmen zu untersuchen, die in der Literatur verwendet werden. Wir präsentieren auch Ergebnisse zur Aufgabe der sozial konformen Roboternavigation in Menschenmengen, in denen zwei verschiedene IRL-Ansätze und mehrere Merkmalsätze in groß angelegten Simulationen bewertet werden. Die Ergebnisse werden anhand eines vorgeschlagenen Sets objektiver und subjektiver Leistungsmetriken bewertet.