Roboter in dichten Fußgängerströmen wieder auftauen und orientieren

Unser Ziel ist es, einen mobilen Roboter durch Umgebungen mit dichten Menschenmengen zu navigieren, z. B. in Einkaufszentren, Mensen, Bahnhöfen oder Flughafenterminals. In diesen herausfordernden Umgebungen leiden bestehende Ansätze unter zwei häufigen Problemen: Der Roboter kann einfrieren und macht keinen Fortschritt in Richtung seines Ziels, oder er kann sich aufgrund schwerwiegender Verdekkungen in einer Menschenmenge verirren. Hier schlagen wir ein Navigationsframework vor, das die Probleme des Einfrierens des Roboters und der verlorenen Navigation gleichzeitig behandelt. Zunächst verbessern wir die Mobilität des Roboters und tauen ihn in der Menge mithilfe einer verstärkenden Lernpolitik zur lokalen Navigation auf, die in unserer vorherigen Arbeit entwickelt wurde und dabei natürlich die Koordination zwischen Robotern und Menschen berücksichtigt. Zweitens nutzt der Roboter seine hervorragende lokale Mobilität, um sich von seinem Lokalisierungsfehler zu erholen. Insbesondere wählt er dynamisch eine Reihe von Wiederherstellungspositionen mit reichen Merkmalen an. Nach unserem besten Wissen ist unser Ansatz der erste, der das Einfrierproblem und das Navigationsverlustproblem in dichten Menschenmengen gleichzeitig löst. Wir bewerten unsere Methode sowohl in simulierten als auch in realen Umgebungen und zeigen, dass sie die aktuellen Ansätze übertrifft. Videos sind verfügbar unter https://sites.google.com/view/rlslam.