Luận án Nghiên cứu phát triển hệ thống điều hướng thông minh cho robot tự hành trong môi trường bất định

 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG 
VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ 
------------------------------------- 
ĐỖ NAM THẮNG 
NGHIÊN CỨU PHÁT TRIỂN HỆ THỐNG ĐIỀU HƯỚNG THÔNG MINH 
 CHO ROBOT TỰ HÀNH TRONG MÔI TRƯỜNG BẤT ĐỊNH 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
HÀ NỘI – 2021 
BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG 
VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ 
------------------------------------- 
ĐỖ NAM THẮNG 
NGHIÊN CỨU PHÁT TRIỂN HỆ THỐNG ĐIỀU HƯỚNG THÔNG MINH 
 CHO ROBOT TỰ HÀNH TRONG MÔI TRƯỜNG BẤT ĐỊNH 
Chuyên ngành: Kỹ thuật điều khiển và tự động hóa 
Mã số: 9 52 02 16 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
NGƯỜI HƯỚNG DẪN KHOA HỌC: 
 1. PGS.TS Phạm Trung Dũng 
 2. PGS.TS Nguyễn Quang Hùng 
HÀ NỘI – 2021 
i 
LỜI CAM ĐOAN 
 Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, 
kết quả được trình bày trong luận án này là trung thực và chưa được ai 
công bố ở bất kỳ công trình nào khác, các dữ liệu tham khảo được trích dẫn 
đầy đủ. 
 Ngày tháng năm 2021 
 Tác giả luận án 
ii 
LỜI CẢM ƠN 
 Tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Phạm Trung Dũng và 
PGS.TS Nguyễn Quang Hùng, đã định hướng nghiên cứu và tận tình chỉ bảo, 
hướng dẫn, giúp đỡ tôi thực hiện luận án. 
 Tôi xin trân trọng cảm ơn Thủ trưởng Viện Khoa học và Công nghệ quân 
sự, Phòng Đào tạo/Viện Khoa học và Công nghệ quân sự đã luôn ủng hộ, hướng 
dẫn, giúp đỡ tôi trong quá trình thực hiện và bảo vệ luận án. 
 Tôi xin trân trọng cảm ơn Thủ trưởng Viện Tự động hóa KTQS, Khoa Kỹ 
thuật điều khiển/Học viện kỹ thuật quân sự đã quan tâm, giúp đỡ, tạo điều kiện 
thuận lợi cho tôi hoàn thành luận án. 
 Tôi xin bày tỏ sự biết ơn sâu sắc đến gia đình, người thân cùng bạn bè, 
đặc biệt là TS Trương Xuân Tùng đã luôn quan tâm, cổ vũ, động viên và tạo 
điều kiện tốt nhất cho tôi thực hiện tốt luận án này. 
 Tác giả 
 Đỗ Nam Thắng 
 iii 
MỤC LỤC 
DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT ..................................... vi 
DANH MỤC CÁC BẢNG...................................................................... viii 
DANH MỤC CÁC HÌNH VẼ .................................................................. ix 
MỞ ĐẦU ................................................................................................... 1 
Chƣơng 1. TỔNG QUAN VỀ HỆ THỐNG ĐIỀU KHIỂN THIẾT BỊ 
TỰ HÀNH................................................................................................. 4 
1.1 Giới thiệu một số loại thiết bị tự hành .................................................... 4 
1.1.1. Nền tảng robot di động ...................................................................... 4 
1.1.2. Mô hình động học của robot tự hành .................................................. 6 
1.2 Cấu trúc điều khiển cơ bản của robot tự hành ......................................... 8 
1.2.1 Hệ thống thu thập và xử lý thông tin ................................................... 9 
1.2.2 Hệ thống xác định vị trí và xây dựng bản đồ ........................................ 9 
1.2.3 Hệ thống thiết kế quỹ đạo chuyển động cho robot .............................. 10 
1.2.4 Hệ thống điều khiển truyền động....................................................... 10 
1.3. Hệ thống phát hiện và bám sát đối tượng ............................................. 10 
1.3.1. Hệ thống phát hiện đối tượng ........................................................... 10 
1.3.2. Hệ thống bám sát đối tượng ............................................................. 12 
1.4. Các kỹ thuật học sâu........................................................................... 14 
1.4.1 Mạng nơron tích chập ....................................................................... 14 
1.4.2. Kỹ thuật Faster R –CNN .................................................................. 15 
1.4.3 Kỹ thuật học sâu SSD ....................................................................... 18 
1.4.4. Kỹ thuật học sâu YOLO .................................................................. 20 
1.5. Tổng quan về tình hình nghiên cứu trong và ngoài nước ...................... 25 
1.5.1. Tình hình nghiên cứu ngoài nước ..................................................... 25 
1.5.2 Tình hình nghiên cứu trong nước ...................................................... 29 
1.6. Kết luận chương 1 .............................................................................. 31 
Chƣơng 2. XÂY DỰNG HỆ THỐNG PHÁT HIỆN VÀ BÁM SÁT 
NHIỀU ĐỐI TƢỢNG CHO ROBOT TỰ HÀNH................................... 33 
 iv 
2.1. Bài toán phát hiện và bám sát đối tượng người. ................................... 33 
2.2.1. Hệ thống điều hướng robot trong môi trường bất định ....................... 35 
2.2.2. Các khối chức năng của hệ thống điều hướng robot di động 
có nhận thức tương tác .............................................................................. 37 
2.2.3 Đề xuất hệ thống phát hiện và bám sát nhiều đối tượng ...................... 42 
2.3. Đề xuất hệ thống dự đoán ý định tương tác của người đối với robot ............. 50 
2.3.1 Hệ thống dự đoán ý định tương tác.................................................... 51 
2.3.2. Xử lý dữ liệu cho hệ thống dự đoán ý định tương tác ........................ 54 
2.4. Kết luận chương 2 .............................................................................. 55 
Chƣơng 3. XÂY DỰNG HỆ THỐNG ĐIỀU HƢỚNG THÔNG MINH 
CHO ROBOT TỰ HÀNH ........................................................................ 56 
3.1 Thuật toán học sâu tăng cường DQN cho bài toán tránh vật cản động ............. 56 
3.1.1 Thuật toán Q – Learning ................................................................... 56 
3.1.2. Thuật toán DQN cho bài toán tránh vật cản ..................................... 56 
3.1.3 Xây dựng mô hình thuật toán ............................................................ 61 
3.2. Thuật toán A3C ứng dụng trong hệ thống điều hướng cho robot 
di động trong môi trường bất định ............................................................. 62 
3.2.1. Sơ đồ kiến trúc nhiều tầng A3C ....................................................... 63 
3.2.2. Thuật toán A3C ............................................................................... 64 
3.3. Xây dựng hệ thống điều hướng cho robot tự hành trong môi trường 
bất định .................................................................................................... 67 
3.3.1. Mô tả bài toán ................................................................................. 67 
3.3.2. Hệ thống điều hướng cho robot tự hành trong môi trường bất định.............. 69 
3.3.3. Khối hình thành tọa độ không gian ................................................... 71 
3.3.4 Thiết lập không gian hoạt động ........................................................ 72 
3.3.5 Cấu trúc mạng .................................................................................. 72 
3.3.6 Hàm thưởng ..................................................................................... 73 
3.4. Các chỉ tiêu đánh giá độ an toàn và thoải mái của con người khi di 
chuyển trong môi trường bất định .............................................................. 75 
 v 
3.4.1. Chỉ số cá nhân ................................................................................. 76 
3.4.2 Chỉ số nhóm ..................................................................................... 77 
3.4.3. Chỉ số chuyển động tương đối.......................................................... 77 
3.5. Kết luận Chương 3 ............................................................................. 78 
Chƣơng 4. MÔ PHỎNG VÀ THỰC NGHIỆM ...................................... 79 
4.1. Mô phỏng hệ thống phát hiện và bám sát nhiều đối tượng ................... 79 
4.1.1 Thiết lập mô phỏng .......................................................................... 79 
4.1.2 Kết quả mô phỏng ............................................................................ 80 
4.2. Mô phỏng đánh giá hệ thống dự đoán ý định tương tác của người 
đối với robot ............................................................................................. 84 
4.2.1. Mô tả bài toán ................................................................................. 84 
4.2.2. Huấn luyện mạng và kiểm tra........................................................... 84 
4.2.3. Kết quả thử nghiệm với các trường hợp tiếp cận riêng biệt ................ 88 
4.2.4. Kết quả thử nghiệm với trường hợp người đi kết hợp tiếp cận 
nhiều hướng khác nhau ............................................................................. 89 
4.3. Mô phỏng đánh giá khả năng ứng dụng thuật toán DQN trong 
bài toán tránh vật cản ................................................................................ 89 
4.3.1. Thiết lập mô phỏng.......................................................................... 90 
4.3.2 Kết quả mô phỏng ........................................................................... 92 
4.4 Mô phỏng đánh giá hệ thống điều hướng robot di động trong 
môi trường bất định .................................................................................. 95 
4.4.1 Thiết lập mô phỏng .......................................................................... 95 
4.4.2 Kết quả mô phỏng ............................................................................ 97 
4.5 Kết luận chương 4 ............................................................................... 98 
KẾT LUẬN ............................................................................................. 99 
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ ........ 101 
TÀI LIỆU THAM KHẢO..................................................................... 102 
vi 
DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT 
𝑣𝑖
𝑝
 Vận tốc người 
𝑣𝑗
0 Vận tốc đối tượng 
𝑜𝑗 Trạng thái đối tượng 
𝑝𝑖 Trạng thái người 
𝜃𝑖
𝑣𝑝
 Hướng chuyển động của người 
𝜃𝑗
𝑣0 Hướng chuyển động của đối tượng 
γ Hệ số khấu hao 
𝑇𝑚𝑎𝑥 Chu kỳ tối đa mạng toàn cục 
𝑡𝑚𝑎𝑥 Bước tối đa của mỗi chu kỳ 
𝑡𝑐ậ𝑝 𝑛𝑕ậ𝑡 Tần số cập nhật 
α Hệ số học 
ε Hệ số suy giảm 
βi Góc giữa hướng robot và vector được 
chiếu từ robot đến người pi 
φi 
V(s) 
П(s) 
Góc giữa hướng của con người và 
vector được chiếu từ người pi tới robot 
Hàm giá trị 
Hàm chính sách 
A3C Thuật toán học sâu tăng cường sử dụng 
phương pháp bất đồng bộ 
Asynchronous methods for 
deep reinforcement 
AI Trí tuệ nhân tạo Artificial Intelligence 
CSDL 
CNN 
CONV 
Cơ sở dữ liệu 
Mạng nơron tích chập 
Lớp tích chập 
Convolutional Neural 
Network 
Convolutional 
vii 
DQN Học tăng cường Deep Q-Network 
DL 
EKF 
Học sâu 
Bộ lọc kalman mở rộng 
Deep Learning 
Extended Kalman Filter 
Gazebo 
IOU 
LSTM 
Hệ thống cho phép mô phỏng môi 
trường robot 
Hàm đánh giá độ chính xác phát hiện 
đối tượng 
Mạng bộ nhớ ngắn - dài hạn 
Intersection over union  ... 155-161. 
[5] Ngô Mạnh Tiến, Phan Xuân Minh, Nghiên cứu phát triển hệ robot tự hành 
có gắn camera tự động tìm kiếm và bám mục tiêu di động, VCCA 2011, pp. 
506-511. 
[6] Ngô Mạnh Tiến, Phan Xuân Minh, Hà Thị Kim Duyên, Một phương pháp 
sử dụng bộ lọc Kalman kết hợp với thuật toán bám ảnh Camshift nhằm nâng 
cao chất lượng bám trong các hệ thống robot tự động tìm kiếm và bám bắt 
mục tiêu, VCCA 2011, pp.513-518. 
[7] Nguyễn Văn Tính, Phạm Thượng Cát, Phạm Minh Tuấn, Nguyễn Đăng 
Chung, Thiết kế luật điều khiển thích nghi cho hệ tích hợp robot di động – 
pan-til-camera để tiếp cận mục tiêu, VCCA 2015, pp.388-396. 
[8] Nguyễn Văn Tính, Phạm Thượng Cát, Phạm Minh Tuấn, “Mô hình hóa và 
điều khiển robot di động non-holonomic có trượt ngang”, Hội nghị toàn quốc 
lần thứ 3 về Điều khiển và Tự động hóa- VCCA-2015, pp.388-396. 
103 
[9] Võ Trung Thư, Nguyễn Anh Duy, Ứng dụng điều khiển mờ cho bài toán 
bám đường của robot di động bằng bánh lăn, Tuyển tập hội nghị toàn quốc 
lần thứ 4 về cơ điện tử, VCM 2008, pp. 305-314. 
Tiếng Anh: 
[10] A. Bewley, Z. Ge, L. Ott, F. Ramos, and B. Upcroft, "Simple online and 
realtime tracking," in IEEE International Conference on Image Processing 
(ICIP), 2016, pp. 3464-3468. 
[11] A. Eitel, J. T. Springenberg, L. Spinello, M. Riedmiller, and W. Burgard, 
“Multimodal deep learning for robust rgb-d object recognition,” in Intelligent 
Robots and Systems (IROS), in IEEE/RSJ International Conference on. IEEE, 
2015, pp. 681–687. 
[12] A. Kendon, Conducting Interaction: Patterns Behavior Focused 
Encounters. Cambridge, UK.: Cambridge Univ. Press, 1990. 
[13] Cao, Z., et al., OpenPose: realtime multi-person 2D pose estimation 
using Part Affinity Fields. 2019. pp. 172-186. 
[14] D. B. Aranibar and P. J. Alsina. Reinforcement learning-based path 
planning for autonomous robots. In EnRI-XXIV Congresso da Sociedate 
Brasileira de Computer, page, 2004. 
[15] D. P. Kingma and J. B. Adam, “A dam: A method for stochastic 
optimization,” in Proceedings of the 3
rd
 International Conference on Learning 
Representations, pp. 1-15, 2015. 
[16] D. Helbing and P. Molnr, “Social force model for pedestrian dynamic,” 
Physical Review E, pp. 4282-4286, 1995. 
[17] E. T. Hall, The hidden dimension: man’s use of space in public and 
private. The Bodley Head Ltd, London, 1966. 
[18] Fox, D., Burgard, W., & Thrun, S. (1997). The dynamic window 
approach to collision avoidance. IEEE Robotics& Automation Magazine, 
104 
4(1), 23–33. doi:10.1109/100.580977. 
[19] G. Bradski, "The OpenCV Library," Dr. Dobb's Journal of Software 
Tools, 2000. 
[20] H. W. Kuhn, “The Hungarian method for the assignment problem,” 
Naval Research Logistics Quarterly, vol. 2, pp. 83-97, 1955 
[21] H. R. Beom and H. S. Cho. A sensor-based navigation for a mobile robot 
using fuzzy logic and reinforcement learning. IEEE transactions on Systems, 
Man, And Cybernetics, 25(3): 464-477, 1995. 
[22] Hochreiter, S. and J.J.N.c. Schmidhuber, Long short-term memory. 1997. 
pp. 1735-1780. 
[23] J. Schmidhuber, “Deep learning in neural networks: An overview,” 
Neural networks, vol. 61, pp. 85–117, 2015. 
[24] J. Bai, Y. Wu, J. Zhang, and F. Chen, “Subset based deep learning for 
rgb-d object recognition,” Neurocomputing, vol. 165, pp. 280– 292, 2015. 
[25] J. Rios-Martinez, A. Spalanzani, and C. Laugier, “From proxemics 
theory to socially-aware navigation: A survey,” International Journal of 
Social Robotics, September 2014. 
[26]. J. Rios-Martinez, A. Spalanzani, and C. Laugier, “Understanding human 
interaction for probabilistic autonomous nabigation using risk-RRT 
approach,” in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst, Sep. 2011, pp. 
2014-2019. 
[27] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look 
once: Unified, real-time object detection,” in The IEEE Conference on 
Computer Vision and Pattern Recognition (CVPR), pp. 779-788, June 2016. 
[28] Kiem Nguyen, Tinh Nguyen, Quyen Bui, Minh Tuan Pham, “Adaptive 
antinsingularity terminal sliding model control for a robotic arm with model 
uncertainties and external disturbances”, Turkish Journal of Electrical 
105 
Engineering& Computer Sciences, (2018) Vol 26: 3224-3238. 
[29] Kiem Nguyen Tien, Linh Le, Tuan Do, Tinh Nguyen, Pham Minh Tuan, 
“Robust control for a wheeled mobile robot to track a predefined trajectory in 
the presence of unknown wheel slips”, Vietnam Journal of Mechanics, VAST, 
Vol. 40, No. 2(2018), pp. 141-154. 
[30] K. O. Arras, O. M. Mozos, and W. Burgard, “Using boosted features for 
the detection of people in 2d range data,” in IEEE International Conference 
on Robotics and Automation, pp. 3402-3407, April 2007. 
[31] Maria Isabel Ribeiro, Kalman and Extended Kalman Filters: Concept, 
Derivation and Properties. Institute for Systems and Robotics, February 2004 
[32] M. I. Jordan and T. M. Mitchell, “Machine learning: Trends, 
perspectives, and prospects,” Science, vol. 349, no. 6245, pp. 255–260, 2015. 
[33] M. Quigley, B. Gerkey, K. Conley, J. Faust, T. Foote, J. Leibs, E. Berger, 
R. Wheeler, and A. Ng, “ROS: an open-source Robot Operating System,” in 
ICRA Workshop on Open Source Software, vol. 32, pp. 151-170, 2009. 
[34] N. Koenig and A. Howard, "Design and use paradigms for gazebo, an 
open-source multi-robot simulator," in IEEE/RSJ International Conference on 
Intelligent Robots and Systems, 2004, pp. 2149-2154. 
Science and Systems XII, 2015. 
[35] Nguyen Van Tinh, Le Hung Linh, “Neural network-based adaptive 
tracking control for a nonholonomic wheeled mobile robot subject to unknow 
wheel slips”, Journal of Computer Science and Cybernetics, V.33, N.1 (2017), 
pp. 70-85. 
[36] Nguyen V. Tinh, Nguyen T. Linh, Pham T. Cat, Pham M. Tuan, Mai N. 
Anh, and Nguyen P. T. Anh, “Modeling and Feedback Linearization Control 
of a Nonholonomic Wheeled Mobile Robot with Longitudinal, Lateral Slips”, 
IEEE international Conference on Automation Science and Engineering 
106 
(CASE) Fort Worth, TX, USA, August 21-24, 2016, pp.996-1001. 
[37] N. Dalal and B. Triggs, “Histograms of oriented gradients for human 
detection,” in IEEE Computer Society Conference on Computer Vision and 
Pattern Recognition, vol. 1, pp. 886-893, June 2005. 
[38] N. Yung and C. Ye. Self-learning fuzzy navigation of mobile vehicle. In 
Signal Processing, 1996, 3
rd
 International Conference on, volume 2, pages 
1465-1468. IEEE, 1996. 
[39] N. Wojke, A. Bewley, and D. Paulus, "Simple Online and Realtime 
Tracking with a Deep Association Metric," in IEEE International Conference 
on Image Processing (ICIP), 2017, pp. 3645-3649. 
[40] O. Khatib, “Real-time obstacle avoidance for manipulators and mobile 
robots,” in Proceedings of the IEEE International Conference on Robotics 
and Automation, vol. 2, pp. 500-505, March 1985. 
[41] Paper: You Only Look Once: Unified, Real-Time Object Detection 
( Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi - University of 
Washington). 
[42] P. Fiorini and Z. Shillert, “Motion planning in dynamic environments 
using velocity obstacles,” International Journal of Robotics Research, vol. 
17, pp. 760-772, 1998. 
[43] R. E. Kalman, “A new approach to linear filtering and prediction 
problem,” Transactions of the ASME-Journal of Basic Engineering, vol.82, 
no. Series D, pp. 35-45, 1960 
[44] Ren S, He K, Girshick R, et al (2017). Faster R-CNN: Towards Real-
Time Object Detection with Region Proposal Networks. IEEE transactions on 
pattern analysis and machine intelligence, 39(6), 1137-1149. 
[45] R. Siegwart, I. R. Nourbakhsh, and D. Scaramuzza, Introduction to 
Autunomous Mobile Robots. The MIT Press, February 2011. 
[46] Rudenko, A., et al., Human motion trajectory prediction: A survey. The 
107 
International Journal of Robotics Research, 2020. 39(8): p. 895-935. 
[47] Smeulders T.G.A.W.M (2013). Selective Search for Object Recognition 
154-171. 
[48] Simonyan K. and Zisserman A. (2014). Very deep convolutional 
networks for large-scale image recognition. arXiv preprint arXiv:14091556. 
[49] S. Zagoruyko and N. Komodakis, "Wide Residual Networks," in 
Proceedings of the British Machine Vision Conference (BMVC) , pp. 87.1-
87.12, September 2016. 
[50] Thi Thanh Van Nguyen, Manh Duong Phung, Quang Vinh Tran (2017), 
“Behavior – based Navigation of Mobile Robot in Unknowns Environments 
Using Fuzzy Logic and Multi-Objective Optimization”, International Journal 
of Control and Automation (IJCA), Vol.10, No.2. pp 349-364. 
[51] Tinh Nguyen, Linh Le, “Neural network-based adaptive tracking control 
for a nonholonomic wheeled mobile robot with unknown wheel slips, model 
uncertainties, and unknown bounded disturbances”, Turkish Journal of 
Electrical Engineering& Computer Sciences, (2018) Vol 26: 378-392. 
[52] Tinh Nguyen, Thuong Hoang, Minh Tuan Pham & Nam phuong Dao, “A 
Gaussian wavelet network-based robust adaptive tracking controller for a 
wheeled mobile robot with unknown wheel slips”, International Journal of 
Control, online version https://doi.org/10.1080/00207179.2018.1458156. 
[53] T. Kruse, A. K. Pandey, R. Alami, and A. Kirsch, “Human – aware robot 
navigation: A survey,” Robotics and Autonomous System, vol. 61, pp. 1726-
1743, 2013. 
[54] Truong, Xuan Tung, Yoong, V. N, and Ngo, Trung Dung. 
(2014). “Dynamic social zone for human safety in human-robot shared 
workspaces”. 2014 11th International Conference on Ubiquitous Robots and 
Ambient Intelligence (URAI) 
108 
 [55] Truong, X.-T., & Ngo, T.-D. (2016). Dynamic Social Zone based Mobile 
Robot Navigation for Human Comfortable Safety in Social Environments. 
International Journal of Social Robotics, 8(5), 663–684. doi:10.1007/s12369-
016-0352-0 
[56] W. D. Smart and L. P. Kaelbling. Effective reinforcement learning for 
mobile robots. In Robotics and Automation, 2002. Proceedings. ICRA’02. 
IEEE International Conference on, volume 4, page 3404-3410. IEEE, 2002. 
[57] X. T. Truong and T. D. Ngo, “To Approach Humans?: a unified 
framework for approaching pose prediction and socially aware robot 
navigation,” IEEE Transactions on Cognitive and Developmental Systems, 
pp.1-27, 2017. 
[58] Xuan-Tung Truong and Trung Dung Ngo, “ Toward socially aware robot 
navigation in dynamic and crowded Environments: A proactive social motion 
model,” IEEE Transactions on Automation Science and Engineering , vol. 14, 
pp.1743-1760. October 2017. 
[59] X-T. Truong, H. T. Dinh, and C. D. Nguyen. An efficient navigation 
framework for autonomous mobile robots in dynamic environments using 
learning algorithm. Journal of Computer Science and Cybernetics, 33(2): 
107-118, 2018. 
[60] Yoko Sasaki , Syusuke Matsuo, Asako Kanezaki, and Hiroshi Takemura, 
“A3C Based motion learning for an Autonomous Mobile Robot in Crowds” in 
IEEE International Conference on Systems, Man and Cybernetics, 2019. pp. 
1036-1042.