Robot navigation in cluttered environments

Abstract

Service robots are designed for non-industrial use to help people at home and in public spaces. Today, service robots perform a variety of tasks that range from distributing medical supply to clean the floor. The wide range of possible application and the complexity of service robots spark major research interest. The goal of the multidisciplinary research is to increase the autonomy of service robots. The capability to navigate in the environment is fundamental for service robots. In this thesis, we present new approaches for robot navigation in challenging indoor scenarios with little space to maneuver, many objects, and crowds of people. We collectively call such scenarios as ’cluttered’. The presented contributions increase the efficiency of robot navigation and allow for new capabilities of the robot to solve challenging problems. Initially, we introduce a method to incorporate clutter in to the navigation process. We extend the state of the art navigation cost function by considering the configuration and quantity of object in the vicinity of the robot. The result is a foresighted robot navigation behavior, that leads around the clutter when it is beneficial for the robot. The second approach predicts the time the robot needs to complete a navigation task, based on a 2D path. The estimation of time is an important feature for service robots to schedule their tasks, e.g., guiding groups in a museum. Unfortunately, due to the lack of a dynamic model the completion time is a priori unknown. Therefore we train a regression model that reliably predicts the completion time based on 2D path features. To achieve human-aware navigation through pedestrian crowds, we apply the social force model (SFM) to control the robot. Our new approach reduces the collision rate with pedestrians of the SFM controlled robot, while maintaining similar velocities. The method considers a set of motion commands and evaluates the outcome, by simulating the corresponding situation into the future. Since such a omniscient robot control is not feasible to use in a real world scenario, we train a network with the best evaluated control command from the simulation. Our method outperforms the standard control with the SFM and the network successfully mimics the improved omniscient behavior, but considers information that is available to the robot in a real world scenario. In the next approach, the robot learns a navigation policy, through reinforcement learning (RL). Self-learning approaches have the potential to reduce the amount of parameter tuning, that is required to operate a robot. The endeavor of tuning is time consuming and know-how-intensive. To reduce the workload in this context, we successfully apply RL for the task of learning a navigation policy from scratch. The learned policy is capable to reach the target location faster than the state of the art approaches, by optimizing the behavior when navigating close to obstacles. In some situations efficient and collision-free navigation is not enough to reach the goal, e.g., when the path is blocked by an object. To target those scenarios, our final approach combines object classification, fast 2D grid-based path planning, manipulation, and footstep planning to overcome objects by stepping over it or moving it to free the path to the goal. Our method is able to run on a small humanoid robot and finds paths through regions where traditional motion planning methods are not able to calculate a solution or require substantially more time. All navigation techniques presented in this thesis were thoroughly evaluated in various experiments. Our approaches advance the state of the art towards autonomous robot navigation in cluttered scenarios.

Serviceroboter dienen der Nutzung zu Hause oder an öffentlichen Plätzen und zeichnen sich durch ihre enormen Einsatzmöglichkeiten aus. Schon heute helfen uns Roboter beim Staubsaugen oder Rasenmähen. Sie agieren als mobile Auskunftsplattform in Museen und Einkaufszentren. Ihre Vielfältigkeit und die Komplexität der gestellten Aufgaben wecken das Interesse von Wissenschaftlern weltweit. Im Mittelpunkt der multidisziplinären Forschung steht die Autonomie der Robotern. Damit ein Roboter möglichst autonom mit seiner Umwelt interagiert, ist die eigenständige Navigation fundamental. In dieser Arbeit zeigen wir neue Methoden für die Roboternavigation in problematischen Scenarien. Vor allem untersuchen wir das Navigationsverhalten von Robotern durch Menschenmengen und in engen Umgebungen mit vielen Objekten auf dem Boden. Diese lassen nur wenig Platz zum Manövrieren oder versperren den Weg zum Zielpunkt komplett. Im Folgenden kategorisieren wir solche Scenarien als "cluttered"(Engl. für Gerümpel). In unserem ersten Beitrag erweitern wir die Perzeption von Robotern, um explizit Objektgruppen in der Umgebung während des Navigationsprozesses zu erkennen. Das Ergebnis ist ein vorausschauendes Roboternavigationsverhalten, das schwierig zu befahrende Bereiche umgeht, wenn somit das Ziel schneller erreicht wird. Eine weitere wichtige Eigenschaft von Servicerobotern ist das Abschätzen der Fahrtdauer bis ein Ziel erreicht ist. Die Fahrtdauerschätzung ist besonders wichtig bei der Zeitplanung von sequentiellen Aufgabenstellungen, wie zum Beispiel der Museumsführung und dem Medikamententransport in Krankenhäusern. Normalerweise ist die Fahrtdauer während der Pfadplanungsphase unbekannt, aufgrund von Ungenauigkeiten in der Steuerung des Roboters durch Schlupf der Räder und verrauschte Messungen der Sensoren. In unserer Arbeit werden verschieden Regressionsmodelle anhand von mehreren Pfadmerkmalen gelernt und verglichen. Die Ergebnisse zeigen eine deutlich bessere Schätzung der Ankunftszeit anhand der eingeführten Pfadmerkmale als die Schätzung, die nur auf der Pfadlänge basiert. Ein weiterer Teil dieser Arbeit befasst sich mit der Navigation von Robotern durch Menschenmengen. Wir präsentieren eine Methode, die auf dem Social Force Modell (SFM) basiert. Das SFM wird benutzt, um die Dynamiken, Interaktion und Verhalten von Passanten zu simulieren. Es ist daher besonders gut geeignet, um ein für den Menschen intuitives Navigationsverhalten des Roboters zu realisieren. In unserer Arbeit verbessern wir das Verhalten des Roboters, basierend auf dem SFM. Unsere Methode benutzt ein allwissendes Simulationsverfahren um einen Datensatz mit optimierten Steuerbefehlen aufzuzeichnen. Anschließend wird der Datensatz genutzt um ein neuronales Netz (NN) zu trainieren. Das trainierte NN übernimmt die Steuerung des Roboters und kann durch die gesammelten Daten aus der Simulation das Verhalten des Roboters hinsichtlich der auftretenden Kollisionen mit Passanten verbessern. Des Weiteren ermöglicht das NN ein Betrieb mit Daten, die dem Roboter in der realen Welt zur Verfügung stehen, und schließt somit die Lücke zwischen den Simulator und der Realität. Im nächsten Arbeitsschritt haben wir selbstlernende Methoden etabliert, um das so genannte Tuning zu umgehen. In der Robotik erfordert das Parameter Tuning Expertise und ist generell ein zeitaufwändiger und mühsamer Prozess. Selbstlernende Methoden, wie das bestärkende Lernen, ermitteln die beste Handlung für den jeweiligen Umgebungszustand durch eine Versuch-Und-Irrtum Vorgehensweise. Somit optimieren diese selbstlernende Methoden, die notwendigen Parameter indirekt. Wir trainieren das neuronale Netz, um die besten Geschwindigkeitsbefehle des Roboters zu erlernen. Die Steuerung des Roboters durch das trainierte Netzwerk erfordert kein Parameter Tuning und zeigt kürzere Fahrtzeiten auf als der Stand der Technik. In manchen Scenarien reicht effektive und kollisionsfreie Navigation nicht aus, um das Fahrtziel zu erreichen, wenn zum Beispiel der Weg durch ein Objekt versperrt ist. Bisherige Verfahren scheitern in solchen Scenarien oder sie sind nicht ausführbar auf einem mobilen Roboter in Echtzeit. Unsere Methode vereint die Objekterkennung, die Robotermanipulation und die Fußschrittplanung mit der zwei-dimensionalen Pfadplanung in einem Navigationsverfahren, um genau solche Situationen zu bewältigen. Somit ist es möglich eine schnelle zweidimensionale Pfadplanung mit den notwendigen Aktionen des Roboters durchzuführen, um ein Ziel zu erreichen. Alle vorgestellten Verfahren wurden eingehend experimentell evaluiert. Die vorliegende Arbeit erweitert den Stand der Technik bezüglich der autonomen Roboternavigation in komplexen und schwierigen Scenarien.