Un algorithme de navigation graphique spatiotemporelle avec attention basé sur des informations d'état limitées

La navigation sûre et efficace d'un robot dans une foule dense et dynamique est une tâche difficile. La plupart des algorithmes de navigation existants doivent acquérir la dynamique complète des humains voisins à tout moment, ce qui les rend fortement dépendants d'un processus complexe d'estimation de l'état des informations de niveau supérieur. De plus, les modules de perception de la scène des algorithmes existants ne modélisent pas de manière exhaustive l'interaction homme-robot dans la dimension spatiotemporelle, conduisant à des problèmes fréquents de gel et de collision dans les algorithmes de navigation basés sur l'apprentissage par renforcement. Pour remédier à ces problèmes, nous proposons un algorithme de navigation graphique spatiotemporelle à attention fine (FST-RL), qui enrichit le module de perception de la scène des algorithmes d'apprentissage par renforcement en codant conjointement les modèles de mouvement humain-robot, les relations interhumaines et les informations dépendantes à long terme des interactions homme-robot. Avec l'algorithme proposé, des itinéraires de navigation socialement compatibles peuvent être générés par le module de raisonnement spatiotemporel intégré sous la condition d'obtenir uniquement les informations de position des agents dans le domaine de perception du robot. Les résultats expérimentaux montrent une amélioration significative de FST-RL en termes de taux de succès (amélioration de 22,3 %), de temps de navigation (réduction de 13,6 %) et de retour moyen (amélioration de 20,8 %) dans un environnement humain à haute densité par rapport à l'algorithme de navigation optimal actuel (DS-RNN). Des expériences d'ablation et qualitatives montrent que le module de perception de la scène de FST-RL peut réduire efficacement les comportements de collision et de conservatisme du robot dans des scénarios difficiles.