People flow maps for indoor robot navigation

Thumbnail Image

Files

master_Tenhunen_Antti_2021.pdf (2.59 MB)

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2021-05-17

Department

Major/Subject

Control, Robotics and Autonomous Systems

Mcode

ELEC3025

Degree programme

AEE - Master’s Programme in Automation and Electrical Engineering (TS2013)

Language

en

Pages

34

Series

Abstract

With growing numbers of autonomous systems employed in human environments, the importance of socially compliant navigation systems is increased. People are intuitively avoiding collisions and can predict other’s trajectories in unseen buildings by following social norms. This dynamic environment shared with humans forms a challenge for robots and requires a predictive method for anticipating motion of surrounding agents for safe and efficient human-robot interaction. The incentives for developing such features could be for example to find non-disturbing positions, to avoid crowded areas or avoid going against the expected flow of people. Previous study suggests that the structure of the environment contains useful information about the natural motion patterns of humans. This thesis proposes a probabilistic approach that utilizes convolutional neural network (CNN) for predicting conditional transition probabilities of pedestrians based on the floor plan of the building. However, CNN models alone do not capture well the local specificity of environments, which could be captured instead by online observations. Thus, to improve the prediction, a more accurate model is formed by updating the global prediction with local observations as more information becomes available. The goal of this thesis is to experiment, whether it is feasible to combine the global prediction and local update into a single approach that could overcome the limitations of using only either of them. The implemented algorithm was evaluated and the results showed that the suggested model is able to learn predict people transition probabilities and could overcome the difficulty of generalizing to new environments. The update provided the model new information and improved the predictions.

Mobiilirobottien yleistyessä ihmisten kanssa jaetussa ympäristössä, tarve sosiaalisia normeja noudattavalle navigointijärjestelmälle kasvaa. Noudattamalla sosiaalisia normeja ihmiset välttävät luonnostaan törmäyksiä ja pystyvät ennustamaan toistensa liikeratoja myös ennalta tuntemattomassa ympäristössä. Turvallinen vuorovaikutus ihmisten ja robottien välillä edellyttää mobiilirobotilta ennakoivaa menetelmää ympäröivien ihmisten liikkeiden ennustamiseksi. Tällaisten ennakoivien menetelmien kehittäminen voi esimerkiksi auttaa mobiilirobottia löytämään vähemmän ihmisiä häiritseviä paikkoja, auttaa välttämään ruuhkaisia alueita tai rajoittaa robottia kulkemasta oletettua ihmisten kulkusuuntaa vastaan. Aikaisemmat tutkimukset viittaavat siihen, että ympäristön rakenne sisältää hyödyllistä tietoa ihmisten luonnollisista liikkeistä. Aikaisempaan tutkimukseen pohjaten, tämä diplomityö tutkii todennäköisyyspohjaista lähestymistapaa, joka hyödyntää konvoluutioneuroverkkoa jalankulkijoiden siirtymätodennäköisyyksien ennustamiseen rakennuksen pohjapiirroksen avulla. Rakennuksen pohjapiirros ei kuitenkaan yksinään riitä tarkempien yksityiskohtien ennustamiseen neuroverkon avulla. Tämän takia työssä käytetään paikallisia havaintoja neuroverkon luoman ennusteen parantamiseksi. Paikallisilla havainnoilla voidaan päivittää globaaliennuste, kun lisää havaintoja tulee saataville. Tämän diplomityön tavoitteena on tutkia, onko mahdollista yhdistää globaali ja paikallinen ennuste yhdeksi algoritmiksi, joka olisi parempi kuin kumpikaan näistä metodeista yksinään. Toteutettu algoritmi arvioitiin ja tulokset osoittivat, että ehdotettu algoritmi kykenee oppimaan ennustamaan ihmisten siirtymätodennäköisyyksiä ja pystyy yleistymään myös ennalta tuntemattomiin ympäristöihin. Paikallinen päivitys antoi algoritmille uutta tietoa ja paransi ennusteita.

Description

Supervisor

Kyrki, Ville

Thesis advisor

Verdoja, Francesco

Keywords

robotic vision, mapping, navigation, machine learning, deep learning, people flow

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202105236863

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC