GMM/GMR human motion models for path planning in human populated environments

In this thesis we analyze the path planning of autonomous mobile robots, which navigate in human populated environments, modelling the pedestrian motion through three different human motion models, that are able to compute the probability associated to a possible future position of a pedestrian. The first human motion model relies on a linear discrete time stochastic motion model, while the other two are based on Gaussian Mixture Model (GMM) and Gaussian Mixture Regression (GMR) methods, that offer a more elegant and realistic way of modelling pedestrian motion, since they are defined by means of real pedestrian trajectory data. For the path planning problem we rely on the RRTX algorithm, which is the first asymptotically optimal motion planning algorithm in environments populated by moving obstacles. Since pedestrians unpredictably change their speed, RRTX can be improved by including the predictive human motion models. The aim of this thesis is to compare the modified versions of RRTX through simulations involving a pedestrian and a robot that is represented as a point. The simulation results show that the GMM and GMR models do not improve the path planning solution with respect to the first human motion model. However, the GMM model is able to compute the probability associated to an area where a pedestrian could be in the future, allowing us to represent the robot as a square. This feature makes the GMM model preferable, because it provides a more realistic representation of the robot and better simulation results, since the square robot takes a larger distance from the pedestrian without spending more time to complete its path with respect to the other punctiform robots.

In questa tesi analizziamo la pianificazione del percorso di robot mobili autonomi, che si muovono in ambienti popolati da persone, modellando il moto dei pedoni attraverso 3 modelli capaci di calcolare la probabilità associata a una posizione futura di un pedone. Il primo modello si basa su un modello di moto stocastico lineare a tempo discreto, mentre gli altri due si basano sui metodi del modello di mistura Gaussiana (GMM) e di regressione di mistura Gaussiana (GMR), che offrono un modo più elegante e realistico di rappresentare il moto del pedone, in quanto si basano su dati di traiettorie di pedoni reali. Per la pianificazione del percorso utilizziamo l’algoritmo RRTX, che è il primo algoritmo di pianificazione asintoticamente ottimo in ambienti popolati da ostacoli che si muovono. Dato che i pedoni cambiano velocità in modo imprevedibile, RRTX può essere migliorato includendo i modelli predittivi di moto. Lo scopo di questa tesi è di confrontare le versioni modificate di RRTX attraverso simulazioni che coinvolgono un pedone e un robot puntiforme. I risultati delle simulazioni mostrano che i modelli basati sui metodi GMM e GMR non migliorano la soluzione al problema di pianificazione rispetto al primo modello. Tuttavia, il modello GMM è in grado di calcolare la probabilità associata a una possibile area futura dove il pedone potrebbe spostarsi, permettendoci di rappresentare il robot come un poligono, che nel nostro caso è un quadrato, rendendo il modello GMM preferibile, perché offre una rappresentazione del robot più realistica e migliori risultati delle simulazioni, in quanto il robot quadrato prende distanze maggiori dal pedone senza impiegare più tempo per completare il suo percorso rispetto ai robot puntiformi.