Mixed Strategy Nash Equilibrium for Crowd Navigation

机器人在拥挤区域中行进时，应该与人类协商自由空间，而不是完全控制避碰，因为这可能导致机器人行为冻结。博弈论为机器人提供了一个框架，用于在路径规划期间推断人类可能的避碰合作。特别是，混合策略纳什均衡捕捉了不确定性下的协商行为，因此非常适合人群导航。然而，计算混合策略纳什均衡通常对于实时决策来说过于昂贵。在本文中，我们提出了一个基于轨迹概率分布的迭代贝叶斯更新方案。该算法同时生成机器人的随机计划和其他行人路径的概率预测。我们证明了所提出的算法等价于解决人群导航的混合策略博弈，并且该算法保证恢复游戏的全局纳什均衡。我们将我们的算法命名为贝叶斯纳什均衡（BRNE），并开发了一个实时模型预测人群导航框架。由于BRNE不是解决通用混合策略纳什均衡，而是专门针对人群导航的定制公式，因此可以在低功耗嵌入式计算机上实时计算解决方案。我们在模拟环境和真实世界的行人数据集中评估了BRNE。BRNE在安全性和导航效率方面始终优于非学习和基于学习的方法。它还在行人数据集基准测试中达到了人类级别的人群导航性能。最后，我们通过在完全依靠板载感知和计算的无线四足机器人上使用真实人类演示了我们的算法的实用性。

解决人工智能在拥挤区域中导航时的冲突避免问题，提出一种基于贝叶斯规则的纳什均衡算法（BRNE）

使用贝叶斯规则的迭代贝叶斯更新方案，同时生成机器人的随机计划和其他行人路径的概率预测，以实现机器人与人类的协作冲突避免，该算法可以在低功耗嵌入式计算机上实时计算

使用BRNE算法在模拟环境和现实世界中进行评估，表现出更好的安全性和导航效率，甚至在人类数据集基准测试中达到了与人类相当的水平，实验结果可复现，算法实用性强

与本文相关的研究包括：Jian et al. (2019)的基于机器学习的方法，以及Zhang et al. (2020)的深度强化学习方法