題目：動的環境における動作計画のための C-space の予測 学会名：ロボティクス・メカトロニクス 講演会 学会の開催期間：2023年 6月28-7月1日 著者：木南 貴志、坂本 健太朗、山内 悠嗣

1. 動的環境における動作計画のための C-space の予測
- 時系列に対応した Vox2C-space -
木南貴志，坂本健太朗，山内悠嗣 ( 中部大学 )
研究背景：
提案手法：
実装：
評価実験：
動的な環境に合わせた動作計画
時系列データに対応した Vox2C-space を提案
ネットワーク構造の詳細
Vox2C-spacen の有効性を確認
- 協働ロボットの需要が拡大し，様々な分野に導入が進む
▪ 人間と同じ空間 ( 動的な環境 ) でロボットが作業
- 従来の動的環境を考慮した動作計画法
▪ ロボットの姿勢を表現した C-space が用いられる
=> C-space を作成するための計算量が多い
=> 過去から現在の動きの考慮に留まり，予測までには至ってない
動的環境に対応するために未来の C-space を予測
- 時系列データに対応した Vox2C-space
▪ C-space を生成する Vox-2C-space ネットワークを拡張
◦ 時系列データを入力して未来の C-space を予測
◦ 半リアルタイム処理が可能 (100[msec] 前後 )
◦ 従来の経路計画法をそのまま適用可能かつ，動的環境に対応
- 提案手法による学習の流れ
1. エンコーダ・デコーダ (Vox2C-space) の学習
◦ 3 次元占有グリッドマップとして表現されるボクセルデータから
C-space を生成するエンコーダ E・デコーダ D を学習
◦ 損失関数 : 正解の C-space と推定した C-space の
2 値交差エントロピー
2. GRU(Gated Recurrent Unit) の学習
◦ 連続した数フレーム分のボクセルデータを入力し，次時刻の
C-space を出力するよう GRU を学習
◦ Step2. ではエンコーダとデコーダは更新しない
◦ 損失関数 ：n+1 時刻のボクセルをエンコーダに入力した際の
特徴量 z と，GRU から出力される z の差
Step1: エンコーダ・デコーダの学習
パラメータ固定
Step2 : GRUの学習
推定した C-space が正解の C-space に近づくように学習
- データセットの作成
▪ ロボットシミュレータ Gazebo を使用
◦ 2 軸アームロボット：[180, 180) の範囲で回転
◦ 2.3[m ] の空間を 4 つのデプスカメラで撮影してボクセル化
◦ 空間中を複数の動的障害物が移動
3
▪ 学習及び評価データ
◦ 学習データ：6,000 シーン，評価データ：2,000 シーン
- 実験結果
▪ IoU(Intersection over Union) による評価
◦ IoU により真値である C-space との一致具合を評価
▪ 提案手法により生成した C-space
◦ 次時刻の大まかな C-space を予測可能
◦ シーンの急激な変化には遅れが生じる
※Vox2C-space は提案手法の流れ 1. のみで構成
現時刻のボクセルデータから次時刻の C-space を予測
- 合計 21 層のネットワーク
▪ エンコーダ，GRU，デコーダで構成
次時刻の大まかな C-space を予測することが可能
時系列データから GRU により次時刻の C-space を予測
1 フレーム目 2 フレーム目 3 フレーム目 4 フレーム目 5 フレーム目 6 フレーム目
真値
真値
提案手法により生成された C-space
提案手法により生成された C-space
※Vox2C-space において現時刻の C-space を推定する問題では IoU が 0.79