पूर्वानुमानित क्रियाएँ करने के लिए पूर्वानुमानित कार्रवाई करना: अधिकतम इंट्रॉपी मॉडल के साथ सहयोगी आंशिक गति योजना

यह पेपर मानव एजेंटों के बीच बातचीत-सचेत, सामाजिक-संगत रोबोट नेविगेशन के लिए एक डेटा-सञ्चालित गति योजना दृष्टिकोण के बारे में रिपोर्ट करता है। मानव एजेंटों के साथ साझा कार्य स्थलों में नेविगेट कर रहे स्वतंत्र मोबाइल रोबोट को ऐसी गति योजना तकनीकों की आवश्यकता होती है जो निर्बाध एकीकरण और स्मूद नेविगेशन प्रदान करें। मिश्रित परिदृश्यों में स्मूद एकीकरण रोबोट की दो क्षमताओं का आह्वान करता है: दूसरों की क्रियाओं का पूर्वानुमान करना और उनके लिए पूर्वानुमानित रूप से कार्य करना। पूर्ववर्ती आवश्यकता अद्वितीय तौर पर मॉडल एजेंट व्यवहार की प्रशिक्षण की मांग करती है ताकि भविष्य में उनकी क्रियाओं का सटीक पूर्वानुमान किया जा सके, रोबोट के निर्णयों पर उनकी प्रतिक्रिया को ध्यान में रखते हुए। रोबोट का मानव-समान नेविगेशन शैली अन्य एजेंटों की सुविधा प्रदान करती है - संभवतः जो लागू की गई योजना तकनीक से अनजान हैं - रोबोट गति का पूर्वानुमान करने में, इसके विपरीत, जिसके परिणामस्वरूप स्मूद संयुक्त नेविगेशन होता है। इस पेपर में प्रस्तुत दृष्टिकोण एक फीचर-आधारित अधिकतम इंट्रॉपी मॉडल पर आधारित है और यह एक असंरचित, वास्तविक विश्व वातावरण में रोबोट का मार्गदर्शन करने में सक्षम है। यह मॉडल मोबाइल प्लेटफ़ॉर्म के बोर्ड पर डेटा से विभिन्न समूहों के संयुक्त व्यवहार को पूर्वानुमान करने के लिए प्रशिक्षित है। हम किसी यथार्थवादी सार्वजनिक सेटिंग में बातचीत-सचेत गति योजना के लाभ का मूल्यांकन करते हैं, जिसमें कुल यात्रा की दूरी 4 किमी से अधिक है। दिलचस्प बात यह है कि मानव-मानव बातचीत से सीखे गए गति मॉडल रोबोट-मानव बातचीत के लिए बरकरार नहीं थे, क्योंकि पैदल चलने वालों की ध्यान और रुचि रोबोट की बुनियादी ब्रेकिंग कार्यक्षमता का परीक्षण करने में अधिक थी।