On Safe Robot Navigation Among Humans as Dynamic Obstacles in Unknown Indoor Environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we rigorously test two conjectures in mobile robot navigation among dynamic obstacles in unknown environments: i) a planner for static obstacles, if executed at a fast update rate (i.e., fast replanning), might be quite effective in dealing with dynamic obstacles, and ii) existing implemented planners have been effective in humans environments (with humans being dynamic obstacles) primarily because humans themselves avoid the robot and if this were not the case, robot will run into collisions with humans much more frequently. The core planning approach used is a Global path planner combined with a local Dynamic Window planner with repeated re-planning (GDW). We compare two planners within this framework: i) all obstacles are treated as static (GDW-S) and ii) predicted trajectories of dynamic obstacles are used to avoid future collisions within a given planning horizon time (GDW-D). The effect of humans avoiding robot (and other humans) is simulated via a simple local potential field based approach. We indicate such environments by a suffix +R (repulsion) for the corresponding planner. Hence there are four categories that we tested: GDW-S, GDW-D, GDW-S+R and GDW-D+R in different environments of varying complexity. The performance metrics used were the percentage of successful runs without collisions and total number of collisions. The results indicate that i) GDW-D planner outperforms GDW-S planner, i.e., conjecture 1 is false, and ii) humans avoiding robots does result in more successful runs, i.e., conjecture ii) is true. Furthermore, we've implemented both GDW-S and GDW-D planners on a real system and report experimental results for single obstacle case.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle