Universitatea din New York, New York, NY, SUA

pentru

Universitatea din New York, New York, NY, SUA

Universitatea din New York, New York, NY, SUA

Universitatea din New York, New York, NY, SUA

Universitatea din New York, New York, NY, SUA

Universitatea din New York, New York, NY, SUA

A fost adăugată o nouă alertă de citare!

Această alertă a fost adăugată cu succes și va fi trimisă la:

Veți fi notificat ori de câte ori a fost citată o înregistrare pe care ați ales-o.

Pentru a vă gestiona preferințele de alertă, faceți clic pe butonul de mai jos.

Alertă de citare nouă!

Salvați în Binder
AAMAS '18: Lucrările celei de-a 17-a Conferințe internaționale privind agenții autonomi și sistemele multi-agenți

ABSTRACT

În medii aglomerate, calea cea mai scurtă pentru un robot de navigare autonom poate să nu fie cea mai bună alegere - ar putea fi preferabil un alt plan care să evite zonele aglomerate. Un astfel de planificator de trasee sensibil la mulțime necesită totuși cunoștințe despre comportamentul global al mulțimii. Această lucrare formulează o abordare bayesiană care se bazează doar pe un scaner de gamă la bord pentru a învăța online un model global de mulțime. Doi algoritmi noi, CUSUM-A * și Risk-A *, utilizează observații locale pentru a actualiza continuu modelul de mulțime. CUSUM-A * urmărește schimbările spațio-temporale din mulțime; Risk-A * se ajustează pentru modificările costurilor de navigație datorate interacțiunilor om-robot. Evaluarea extinsă într-un mediu simulat provocator demonstrează că ambii algoritmi generează planuri care reduc semnificativ apropierea lor de obstacole în mișcare și, astfel, protejează oamenii de erorile actuatorului și își inspiră încrederea în robot.