Socially Acceptable Bipedal Robot Navigation via Social Zonotope Network Model Predictive Control

本研究探讨了在动态的、人员拥挤的环境中进行社交双足导航的挑战，这是腿式机器人导航领域中鲜为人知的研究领域。我们提出了一个基于区间凸包的框架，将预测和运动规划耦合起来，以考虑与周围行人的双向影响。该框架包括一个社交区间凸包网络（SZN），它是一个神经网络，用于预测未来的行人可达集并为自我代理规划未来的社交可达集。SZN将可达集生成为区间凸包，以进行高效的可达性规划、碰撞检查和在线不确定性参数化。在SZN的训练过程中添加了与运动相关的损失函数，以遵守双足机器人的动态限制，这些限制在人群数据集中并没有明确表示。这些损失函数使得SZN能够生成更具动态可行性的运动路径，以改善跟踪效果。SZN与模型预测控制器（SZN-MPC）集成，用于我们的双足机器人Digit的脚步规划。SZN-MPC通过优化SZN的梯度来解决无碰撞轨迹。我们的结果证明了该框架在产生社交可接受路径、保持一致的运动速度和优化性方面的有效性。SZN-MPC框架通过广泛的模拟和硬件实验进行了验证。

解决问题的问题是社交双足机器人在人群密集的动态环境中的导航问题，这是一个相对较新的问题。

论文提出了一个基于zonotope的框架，将预测和运动规划相结合，用于双足机器人的社交导航。该框架包括一个社交zonotope网络（SZN），它预测未来的行人可达集并为自主代理规划未来的可接受可达集。SZN将可达集生成为zonotope，以进行高效的基于可达性的规划、碰撞检查和在线不确定性参数化。

论文通过添加特定于运动的损失函数来使SZN生成更具动态可行性的运动路径，从而验证了框架的有效性。在硬件实验和广泛的模拟中，SZN-MPC框架证明了其在生成社交可接受路径、保持一致的运动速度和优化方面的有效性。

最近的相关研究包括“基于深度学习的人类行为预测”和“机器人在人类环境中的导航：一个综述”。