A medida que los entornos de servicio compartido entre humanos y robots se vuelven cada vez más comunes, la navegación autónoma en entornos de espacio estrecho (EES), como pasillos interiores y pasos peatonales, se vuelve un desafío. Los robots móviles deben ir más allá de la simple evitación de colisiones reactivas e interpretar los riesgos circundantes para seleccionar proactivamente rutas más seguras en entornos dinámicos y espacialmente restringidos. Este estudio propone un marco de navegación basado en aprendizaje por refuerzo profundo (DRL) que permite a los robots móviles interactuar con peatones mientras identifican y atraviesan espacios abiertos y seguros. El marco fusiona datos de LiDAR 3D y de cámaras RGB para reconocer a los peatones individuales y estimar su posición y velocidad en tiempo real. Basado en esto, se construye un mapa de ocupación consciente de humanos (HAOM), que combina tanto obstáculos estáticos como zonas de riesgo dinámicas, y se utiliza como el estado de entrada para el DRL. Para promover comportamientos de navegación proactivos y seguros, diseñamos una representación del estado y una estructura de recompensas que guían al robot hacia áreas menos riesgosas, superando las limitaciones de enfoques tradicionales. El método propuesto se valida a través de una serie de experimentos de simulación, incluyendo configuraciones rectas, en forma de L y en forma de cruz, diseñadas para reflejar entornos típicos de espacio estrecho. Se incorporaron diversos escenarios de obstáculos dinámicos durante el entrenamiento y la evaluación. Los resultados demuestran que el enfoque propuesto mejora significativamente las tasas de éxito de navegación y reduce los incidentes de colisión en comparación con los planificadores de navegación convencionales en diversas condiciones de EES.
Jun et al. (Fri,) estudiaron esta cuestión.