neuROSym: Deployment and Evaluation of a ROS-based Neuro-Symbolic Model for Human Motion Prediction

自主移动机器人可以依靠多个人类运动检测和预测系统，在人类环境中安全有效地导航，但底层模型架构可能对机器人在现实世界中的可信度产生不同的影响。在现有的上下文感知人类运动预测解决方案中，一些方法已经显示出将符号知识与最先进的神经网络集成的好处。特别是，最近的神经符号结构（NeuroSyM）已成功地将上下文嵌入到定性轨迹演算（QTC）中，以表示空间交互。该工作在离线数据集上比仅使用神经网络的基线架构实现了更好的性能。在本文中，我们扩展了原始架构，提供了neuROSym，这是一个ROS软件包，用于机器人在现实场景中的部署，可以在线运行、可视化和评估以前的仅神经网络和神经符号模型以进行运动预测。我们在两种具有不同人类运动模式的场景中，使用TIAGo机器人评估了这些模型，包括NeuroSyM和基线SGAN。我们评估了预测模型的准确性和运行时性能，显示出在使用我们的神经符号结构的情况下，总体上有所改善。我们将neuROSym软件包公开提供给机器人社区。

论文旨在解决人工智能助手在人类环境中的安全和高效导航问题，通过结合符号知识和神经网络的方法提高运动预测的可靠性和精度。

论文提出了一种神经符号化结构，将定性轨迹演算法与最先进的神经网络相结合，以提高人类运动预测的可靠性和精度。研究人员开发了一个ROS软件包，名为neuROSym，可以在线运行、可视化和评估神经网络和神经符号化模型的运动预测，实现了该方法的实时机器人部署。

论文通过实验评估了neuROSym和SGAN两个模型在两种不同人类运动模式下的运动预测精度和运行时性能，结果表明神经符号化结构的效果更好。研究人员将neuROSym软件包公开，供机器人学界使用。

在相关研究方面，目前已有一些工作结合符号知识和神经网络用于人类运动预测，但本文提出的神经符号化结构在离线数据集上表现更好，同时实现了实时机器人部署。