携帯物の発見のためのパーソナライズされた身体性ナビゲーション

Abstract

身体性を備えたナビゲーション手法は一般に、静止した環境で、物体が静止している前提で動作します。本研究では、非静止のターゲットを扱う動的な状況でのナビゲーションに取り組むためのアプローチを提示します。屋内環境において、これらの物体は、人の介入によって移動される日常的に持ち運べる携帯品であると仮定します。そこで本研究では、この問題をパーソナライズされた習慣学習問題として定式化します。これらの習慣を学習するために、対象物の経路情報を組み込むことで身体性ナビゲーション方策を強化する2つのTransit-Aware Planning（TAP）アプローチを提案します。TAPは、エージェントがターゲットの経路と自らの経路を同期させることを学習するよう報酬を与えることで、携帯物の探索における性能を向上させます。TAPは、構造化された物体遷移を伴うノード属性付きトポロジカルグラフの動的バリアントであるDynamic Object Maps（DOMs）で評価されます。DOMsはグラフ上で現実的な物体経路をシミュレートするために、人間の習慣を模倣します。我々は、TAPエージェントをシミュレーションだけでなく実世界でもテストします。MP3Dシミュレータでは、TAPは非静止のターゲットを見つける際に、バニラなエージェントの成功率を21.1%改善するだけでなく、相対的成功変化（Relative Change in Success）によって測定したところ、静的環境からの汎化も44.5%良好であることが示されます。実世界では、複数のトランジット（移動・搬送）シナリオにおいて、平均で同様に18.3%の増加が見られることを確認しています。我々は、実世界に投入されたTAPエージェントの質的推論を示し、それらが特に、通常はそこに存在するとは期待されない位置（作業スペース内の歯ブラシ）でターゲットを見つけることで、パーソナライズされた支援を提供するのが優れていることを示します。また、我々は実機からシミュレーションへのパイプラインの詳細も提供します。これにより、研究者が自らの物理環境のシミュレーションをTAP向けに生成でき、この分野の研究を促進することを目指します。