Safe and Efficient Social Navigation through Explainable Safety Regions Based on Topological Features
Victor Toscano-Duran, Sara Narteni, Alberto Carlevaro, Jérôme Guzzi Rocio Gonzalez-Diaz, Maurizio Mongelli
人工智能最近在机器人领域的采用推动了算法的发展,使自主系统能够适应复杂的社会环境。 特别是,安全高效的社交导航是一项关键挑战,要求人工智能不仅避免碰撞和僵局,而且需要直观和可预测的与周围环境进行互动。 基于概率模型和构象安全区域的生成的方法在定义具有受控误差幅度的安全区域方面显示出有希望的结果,主要依靠分类方法和明确的规则来描述无碰撞导航条件。 这项工作通过研究拓扑特征如何有助于在社会导航场景中创建可解释的安全区域来扩展现有视角,从而能够对不同的模拟行为进行分类和表征。 我们不是依靠行为参数来生成安全区域,而是通过拓扑数据分析利用拓扑特征。 我们首先利用基于规则的分类来提供不同模拟行为的可解释特征,根据拓扑特性区分安全和不安全的场景。 接下来,我们定义安全区域,S_ε,表示拓扑特征空间中避免碰撞的区域,最大分类误差为ε。 这些区域使用可调的 SVM 分类器和顺序统计来构建,确保一个健壮且可扩展的决策边界。 我们的方法最初将模拟与没有碰撞分开,优于不包含拓扑特征的方法。 我们进一步完善安全区域,确保无死锁模拟,并集成这两个方面,以定义一个合规的模拟空间,保证安全高效的导航。
The recent adoption of artificial intelligence in robotics has driven the development of algorithms that enable autonomous systems to adapt to complex social environments. In particular, safe and efficient social navigation is a key challenge, requiring AI not only to avoid collisions and deadlocks but also to interact intuitively and predictably with its surroundings. Methods based on probabilistic models and the generation of conformal safety regions have shown promising results in defining sa...
