Arena-bench

Arena-bench是由柏林工业大学电气工程与计算机科学学院工业级网络与云主席开发的一个用于动态环境障碍避免的基准套件。该数据集提供了一套工具，用于设计和生成高度动态的评估世界、场景和任务，以训练、测试和评估不同机器人平台上的导航规划器。数据集完全集成到机器人操作系统（ROS）中，并包括一系列经典和最先进的基于学习的规划器。Arena-bench旨在解决动态环境中移动机器人的安全自主导航问题，特别强调深度强化学习（DRL）方法的集成和部署。

Arena-bench is a benchmark suite for dynamic environment obstacle avoidance developed by the Chair of Industrial Networks and Clouds, Department of Electrical Engineering and Computer Science, Technische Universität Berlin. This dataset provides a set of tools for designing and generating highly dynamic evaluation worlds, scenarios and tasks to train, test and evaluate navigation planners across different robotic platforms. It is fully integrated with the Robot Operating System (ROS), and includes a range of classic and state-of-the-art learning-based planners. Arena-bench aims to address the problem of safe autonomous navigation for mobile robots in dynamic environments, with a particular emphasis on the integration and deployment of deep reinforcement learning (DRL) methods.

原始信息汇总

Arena-Bench (RA-L and IROS 22)

数据集概述

Arena-Bench是一个用于在高度动态环境中比较和评估经典及基于学习的动态障碍物避障方法的基准套件。该数据集包含多种机器人、世界地图、规划器和障碍物配置，旨在为研究者提供一个全面的测试平台。

基准场景

基准场景通过以下组件的独特组合来开发：

机器人	世界	规划器	障碍物
- jackal <br> - burger <br> - robotino (rto)	- small_warehouse <br> - map2 <br> - map5	- teb <br> - dwa <br> - mpc <br> - rosnav <br> - cadrl	- 5 <br> - 10

基准架构

数据集采用模块化架构，核心包含四个模块：

• Arena-Tools: 负责创建自定义世界、场景和障碍物。
• Arena-Rosnav: 包含自定义任务生成器和2D模拟引擎Flatland。
• Arena-Rosnav-3D: 包含自定义任务生成器和3D模拟引擎Gazebo。
• Arena-Evaluation: 用于记录和评估模拟运行，并可视化机器人性能。

运行基准

先决条件

使用的软件版本如下：

软件	版本
OS	Ubuntu 20.04.4
Python	3.8.10

安装

运行以下命令进行安装： bash wget https://raw.githubusercontent.com/ignc-research/arena-bench/main/setup.sh -O - | bash

手动运行基准

可以使用以下语法运行特定场景： bash roslaunch arena_bringup start_arena_gazebo.launch local_planner:=<PLANNER> world:=<WORLD> model:=<ROBOT> scenario_file:=<SCENARIO_FILE>

其中：

• PLANNER: dwa, teb, mpc, rosnav, cadrl
• WORLD: small_warehouse, map2, map5
• ROBOT: turtlebot3_burger, jackal, rto
• SCENARIO_FILE: map2_obs05.json, map2_obs10.json, map5_obs05.json, map5_obs10.json, small_warehouse_obs05.json, small_warehouse_obs10.json

示例命令： bash workon rosnav roslaunch arena_bringup start_arena_gazebo.launch local_planner:=dwa world:=map2 model:=turtlebot3_burger scenario_file:=map2_obs05.json

搜集汇总

数据集介绍

构建方式

Arena-bench 数据集构建了一个全面的基准测试套件，旨在训练、测试和评估不同机器人平台上的导航规划器。该套件基于 ROS (Robot Operating System)，并集成了 2D 和 3D 模拟器，分别为 Flatland 和 Gazebo。为了模拟现实环境，套件中整合了扩展版本的 Pedsim 库，该库利用 Helbing 等人的社会力模型。用户可以利用 Arena-tools 工具集设计和生成地图、场景和任务，支持手动和自动模式。此外，套件还包括一系列经典的和基于学习的导航规划器，以及一个自动评估类，可用于在 14 个不同的导航指标上对规划算法进行定性和定量评估。

特点

Arena-bench 的主要特点在于其多功能性和实用性。它不仅提供了训练和测试导航算法的工具，还支持真实世界场景的验证。套件中的 Pedsim 库能够真实地模拟动态障碍，如行人，并支持多种行为模式和社交状态。此外，Arena-tools 应用程序允许用户手动或自动生成 2D 和 3D 世界，包括动态和静态障碍。任务生成器提供了三种模式：随机模式、场景模式和分阶段模式，以适应不同的评估需求。套件还集成了 ROS 功能，允许用户使用现有的 ROS 功能，并将经典和基于学习的规划器集成到不同的机器人平台中。

使用方法

使用 Arena-bench 的方法相对直观。首先，用户可以使用 Arena-tools 工具集设计和生成地图、场景和任务。然后，用户可以选择在 2D 或 3D 模拟器中训练 DRL-based 导航算法，或集成 ROS-based 规划器。接着，用户可以使用自动评估类在多个导航指标上评估规划算法。最后，用户可以将算法部署到真实机器人上，并在现实环境中进行测试。为了确保结果的可靠性和可重复性，套件提供了丰富的指标和评估工具，并支持在真实机器人上的实验。

背景与挑战

背景概述

Arena-bench数据集的创建旨在解决移动机器人在动态环境中自主导航这一关键问题。该数据集由柏林工业大学工业等级网络和云计算系的科研团队于2022年提出，主要研究人员包括Linh K ̈astner等人。该数据集的核心研究问题在于如何训练、测试和评估不同机器人平台在三维动态环境中的导航规划器。Arena-bench提供了一个直观的界面，用户可以设计和创建基于Flatland和Gazebo的2D和3D模拟器中的动态场景。此外，该数据集还集成了ROS，并包含了各种经典和最新的基于模型和学习的规划器。Arena-bench提供了丰富的工具，用于评估所有规划器在各种导航指标上的表现，从导航安全性和鲁棒性到路径质量和效率。该数据集对相关领域的影响在于它不仅为DRL在真实机器人中的部署提供了一个重要的评估步骤，而且还辅助了基于学习的移动机器人导航方法的发展和验证。

当前挑战

Arena-bench数据集面临的挑战主要在于两个方面：一是解决动态障碍物回避的领域问题，二是构建过程中的挑战。在解决动态障碍物回避的领域问题方面，尽管深度强化学习（DRL）方法在动态障碍物回避方面取得了优异的性能，但这些基于学习的方法通常是在专门设计的模拟环境中开发的，很难与传统的规划方法进行比较。此外，将这些方法集成和部署到真实的机器人平台中仍然是一个未完全解决的问题。在构建过程中的挑战方面，需要开发工具来设计和生成高度动态的评价世界、场景和任务，以便在自主导航中进行训练、测试和评估。同时，还需要将Arena-bench完全集成到ROS中，并提供各种经典的和基于学习的规划器。此外，还需要提供工具来评估所有规划器在各种导航指标上的表现，包括导航安全性和鲁棒性、路径质量和效率。

常用场景

经典使用场景

Arena-bench数据集作为一套评估工具，主要用于训练、测试和评估在高度动态环境中的导航规划器。它为研究人员提供了一个直观的界面，以设计和创建基于Flatland和Gazebo的2D和3D模拟器中的动态场景。通过该平台，研究人员可以对不同类型的机器人进行导航算法的开发和评估，从而推动移动机器人在复杂环境中的安全、可靠导航技术的发展。

衍生相关工作

Arena-bench数据集衍生了许多相关的经典工作。例如，Kästner等人提出的Arena-rosnav平台，为在高度动态2D环境中测试、训练和基准测试机器人导航方法提供了一个2D模拟器平台。此外，Heiden等人提出的Bench-mr平台，为在复杂环境场景中测试、评估和比较不同的运动规划技术提供了工具。这些相关工作的出现，进一步推动了移动机器人导航技术的发展，并为研究人员提供了更多的研究思路和方法。

数据集最近研究

最新研究方向

在移动机器人领域，自主安全导航尤其在动态环境中显得尤为重要。近年来，深度强化学习（DRL）方法在动态避障方面展现出卓越的性能。然而，这些基于学习的方法通常是在专门设计的仿真环境中开发的，难以与传统规划方法进行对比测试。此外，将这些方法集成到真实机器人平台中的问题尚未完全解决。Arena-bench数据集为此提供了一个解决方案，它是一个用于训练、测试和评估不同机器人平台在三维环境中导航规划器的基准测试套件。它提供了设计和生成高度动态评估世界、场景和任务的工具，并完全集成到机器人操作系统（ROS）中。研究团队展示了该套件的功能，通过在平台上训练一个DRL智能体，并将其与多种现有的基于模型和基于学习的导航方法在多个相关指标上进行比较。最后，研究团队将这些方法部署到真实机器人上，并展示了结果的再现性。该数据集的提出不仅为DRL在真实机器人中的部署提供了一个重要的评估步骤，而且也有助于移动机器人上基于学习的导航方法的发展和验证。

相关研究论文

• Arena-Bench: A Benchmarking Suite for Obstacle Avoidance Approaches in Highly Dynamic Environments

  柏林工业大学电气工程与计算机科学学院工业级网络与云主席 · 2022年