2019-08-07

ICRA2019_papers_reading

Num	title	author	time
1	Dynamic Channel: A Planning Framework for Crowd Navigation	Chao Cao1, Peter Trautman2 and Soshi Iba2	2019_CMU
2	Deep Reinforcement Learning of Navigation in a Complex and Crowded Environment with a Limited Field of View	Guillaume Sartoretti1, Justin Kerr1, Yunfei Shi1, Glenn Wagner2,	2019
3	Crowd-Robot Interaction:Crowd-aware Robot Navigation with Attention-based Deep Reinforcement Learning	Changan Chen, Yuejiang Liu, Sven Kreiss and Alexandre Alahi VITA, Ecole Polytechnique Federal de Lausanne, EPFL, Switzerland	2019
4	PRIMAL: Path-finding via Reinforcement and Imitation Multi-Agent Learning	T. K. Satish Kumar3, Sven Koenig3, and Howie Choset1	2019
5	Deep Reinforcement Learning Robot for Search and Rescue Applications: Exploration in Unknown Cluttered Environments	Farzad Niroui, Student Member, IEEE, Kaicheng Zhang, Student Member, IEEE, Zendai Kashino, Student Member, IEEE, and Goldie Nejat, Member, IEEE	2019

①- Dynamic Channel: A Planning Framework for Crowd Navigation

摘要

1. 动态环境导航中考虑时间维度会严重消耗算力
2. 局部规划器只处理即刻的碰撞，不能长线优化
3. 联合高维拓扑路径规划和低维运动规划的新方法，三角空间内的图搜索问题

介绍

• 现有工作关于局部或者全部最优，局部规划器只寻找短时间内的免碰撞路径而忽略了全局最优性。
• 引入动态通道，一种全新的将全局最优和启发式相结合的拥挤导航框架，高效处理智能体动态。
• 使用三角分割抽象环境，再用改进的A*算法计算最优路径。

局部和全局规划

  传统局部路径规划方法有DWA（Dynamic Window Approach）， IVS（Inevitable Collision States）， and VO（Velocity Obstacles）， VOVO（Variants of Velocity Obstacles)。都基于多智能体有相同的导航策略，但不能保证生成最短移动路径。
  全局规划，基于采样算法有RRT（Rapidly-exploring Random Tree）和PRM（Probabilistic roadmap methods），规划是认为环境是静态，再规划是再考虑动态。
通过层次规划和潜在领域的结合，可以实现静态和动态障碍的分离。

1. 常用Voronoi图（维诺图）和Delaunay triangulation（三角分割），相比栅格地图搜索更小的图，且考虑了拓扑属性，如连接性。TA* \ TRA*