To Örebro University

Robots are getting more and more common in our everyday lives. We may meet them in hospitals, in grocery stores, or at airports. This makes it important for robots to try to avoid getting in the way of humans. This means that robots need to be able to predict people's movement patterns. There are several factors deciding how a person moves from point A to point B, one of them is the shape of the environment along the way. In this thesis, we look at methods on how to be able to predict people's movement, based on the shape of the environment.By implementing a framework, consisting of methods and algorithms, that uses machine learning to learn movement patterns in the form of trajectories in an occupancy map, we are able to generate new trajectories, based on the shape of the environment. We then evaluate these trajectories by comparing them with real trajectories, in the same environment. Our experiments show, that by carefully choosing different points of interest, where we will look at a specific feature of the map, we can achieve a mean similarity of between 80% and 83%. 

Robotar blir allt vanligare i vår vardag. Vi kan se dem på sjukhus, i affärer och på flygplatser. Därför är det viktigt att robotar försöker undvika att vara i vägen för människor. Det betyder att robotar behöver kunna förutse hur människor rör sig. Det finns ett flertal faktorer som spelar in i att bestämma hur en person rör sig från punkt A till punkt B, och en av dessa är omgivningens utformning längs vägen den går. I det här arbetet tittar vi på metoder för att kunna förutse människors rörelser, baserat på omgivningens utformning. Genom att implementera metoder och algoritmer inom maskininlärning, för att lära rörelsemönster i form av rörelsebanor inom beläggningskartor, kan vi generera nya rörelsebanor, som beror på omgivningens utformning. Därefter kan vi bedöma dessa rörelsebanor, genom att jämföra dem med verkliga rörelsebanor, inom samma omgivning. Våra experiment visar, att genom att noggrant välja ut olika delar av omgivningen, där vi tittar på speciella egenheter hos denna omgivning i kartan, kan vi uppnå likheter på ett medelvärde av mellan 80% och 83%.