Intégration d'une assurance de sécurité basée sur l'accessibilité dans les cadres de planification des interactions homme-robot.

Résumé

Dans Bansal et al. (2019), un nouveau cadre de navigation visuelle qui combine des approches basées sur l'apprentissage et des approches basées sur un modèle a été proposé. Plus précisément, un réseau neuronal convolutif (CNN) prédit un point de passage qui est utilisé par le modèle dynamique pour planifier et suivre une trajectoire vers le point de passage. Cependant, le réseau neuronal convolutionnel fait inévitablement des erreurs de prédiction, ce qui entraîne des collisions, surtout lorsque le robot navigue dans des espaces encombrés et étroits. Dans cet article, nous présentons une nouvelle méthode basée sur l'accessibilité de Hamilton-Jacobi (HJ) pour générer la supervision du CNN pour la prédiction du point de passage. En modélisant l'erreur de prédiction du CNN comme des perturbations dans la dynamique, la méthode proposée génère des points de cheminement qui sont robustes à ces perturbations, et par conséquent aux erreurs de prédiction. De plus, l'utilisation d'une analyse d'accessibilité HJ globalement optimale permet de prédire des points de passage qui sont efficaces en termes de temps et qui ne présentent pas de comportement avide. Par le biais de simulations et d'expériences sur un banc d'essai matériel, nous démontrons les avantages de l'approche proposée pour les tâches de navigation où le robot doit se déplacer dans des environnements intérieurs étroits et encombrés.