CoCoNav: Conformal Control for Safe Robot Navigation in Crowds
The University of Manchester（曼彻斯特大学）；Italian Institute of Technology（意大利技术研究院）；Genisom AI；University of Warwick（华威大学）；Newcastle University（纽卡斯尔大学）
本文提出CoCoNav框架，结合在线保形校准与“先松弛再验证”规划器，在人群环境机器人导航中实现了避碰、任务成功与效率的良好平衡。
2026-08-11 cs.LG cs.RO
Crowd-Robot Interaction: Crowd-aware Robot Navigation with Attention-based Deep Reinforcement Learning
Ecole Polytechnique Federal de Lausanne, EPFL（洛桑联邦理工学院（EPFL））
针对拥挤场景中机器人导航的社会合规性与效率问题，提出基于自注意力和深度强化学习的人群-机器人交互模型，联合建模人机与人际交互，可预判人群动态，导航效率优于现有最优方法。
2019-02-19 cs.LG cs.RO
Relational Graph Learning for Crowd Navigation
Simon Fraser University（西蒙弗雷泽大学）；UT Austin（德克萨斯大学奥斯汀分校）
我们提出了一种基于模型的深度强化学习的机器人人群导航的关系图学习方法，该方法通过展望未来来规划行动。我们的方法的原因，所有代理之间的关系的基础上，他们的潜在功能，并使用图卷积网络编码高阶交互在每个代理的状态表示，随后利用状态预测和价值估计。预测人类运动的能力使我们能够执行多步前瞻规划，考虑到人类人群的时间演变。我们评估了我们的方法对一个国家的最先进的基线人群导航和消融我们的模型，以证明导航与我们的方法是更有效的，导致更少的碰撞，并避免涉及振荡和冻结行为的失败情况。
2020-08-03 cs.AI cs.LG cs.RO
From Crowd Motion Prediction to Robot Navigation in Crowds
University of Washington（华盛顿大学）
我们专注于拥挤环境中的机器人导航。为了在人群中安全有效地导航，机器人需要人群运动预测模型。建立这样的模型是困难的，由于多智能体域的高维性和收集或模拟互动丰富的人群机器人演示的挑战。虽然离线行人运动预测模型已经取得了重要进展，但由于用户的密切交互设置和新奇效果，将其性能转移到真实机器人上并非易事。在本文中，我们研究了最近的国家的最先进的运动预测模型（S-GAN）的人群导航任务的效用。我们将此模型纳入模型预测控制器（MPC），并将其部署在一个自平衡机器人，我们在实验室中的各种人群行为。我们证明，虽然S-GAN运动预测准确性转移到现实世界中，但其价值并没有反映在导航性能上，在安全性和效率方面进行测量;事实上，即使使用简单的恒速预测模型，MPC也表现得无可挑剔，这表明可能需要对模型进行实质性改进，才能为人群导航任务带来显着收益。我们的实验录像可以在https://youtu.be/mzFiXg8KsZ0上找到。
2023-03-02 cs.RO
A Lightweight Crowd Model for Robot Social Navigation
Department of Electrical Engineering and Automation, Aalto University（艾尔沃斯大学电气工程与自动化系）；Chair of Perception for Intelligent Systems, TU Munich（慕尼黑工业大学智能系统感知 chair）；Institute of Communications and Navigation, German Aerospace Center (DLR)（德国航空航天中心通讯与导航研究所）
本文提出一种轻量级实时宏观人群预测模型，通过简化时空处理实现推理时间降低3.6倍、精度提升3.1%，并集成到社会感知规划框架中，实现机器人在密集环境中的高效社会导航。
2025-08-27 cs.LG cs.RO
Deep Reinforcement Learning-Based Mapless Crowd Navigation with Perceived Risk of the Moving Crowd for Mobile Robots
School of Digital Science, Universiti Brunei Darussalam（文莱达鲁萨兰大学数字科学学院）
针对DRL人群导航泛化与可扩展性不足，本文在观测空间引入碰撞概率并结合局部路径点训练，实现多场景无需微调的安全无地图导航。
2023-09-23 cs.AI cs.LG cs.RO
LiDAR-based Crowd Navigation with Visible Edge Group Representation
Miraikan, the National Museum of Emerging Science and Innovation（日本新兴科学与创新国家博物馆）；the Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出基于LiDAR的人群导航方法，通过可见边缘组表示提升导航安全性与社交性，同时在密集人群环境中实现更快的计算速度。
2026-04-17 cs.RO
Metrics for Evaluating Social Conformity of Crowd Navigation Algorithms
Monash University（莫纳什大学）
由于“社会行为”的定义不同，最近用于训练和评估自主机器人在人群中导航的协议和指标不一致。这使得它很难，如果不是不可能的话，有效地比较公布的导航算法。此外，由于缺乏良好的评估协议，由于训练中缺乏多样性，所得到的算法可能无法推广。为了解决这些差距，本文促进了更全面的评估和客观比较人群导航算法，提出了一套一致的指标，占效率和社会整合，和一个系统的协议，包括多个人群导航方案的不同复杂性的评估。我们在此协议下测试了四种最先进的算法。结果表明，一些国家的最先进的算法有很大的挑战，在推广，并使用我们的协议进行训练，我们能够提高算法的性能。我们证明了一组建议的指标提供了更多的洞察力，并有效地区分这些算法的效率和社会整合方面的性能。
2022-02-02 cs.RO
Exploring Social Motion Latent Space and Human Awareness for Effective Robot Navigation in Crowded Environments
TCS Research（塔塔咨询服务公司研究院）
本文提出利用社交运动潜在空间生成控制指令，并引入人类意识概念，以提升拥挤环境中机器人导航的成功率、平滑性和预见性。
2023-10-11 cs.AI cs.LG cs.RO
HEIGHT: Heterogeneous Interaction Graph Transformer for Robot Navigation in Crowded and Constrained Environments
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
HEIGHT通过异构交互图变压器提升机器人在拥挤和受限环境中的导航性能，有效捕捉时空异构交互，提高路径安全性和效率。
2026-01-23 cs.AI cs.LG cs.RO
Occlusion-Aware Crowd Navigation Using People as Sensors
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
针对拥挤环境下移动机器人导航的遮挡问题，提出结合社会遮挡推理与深度强化学习的遮挡感知规划方法，仿真避碰性能与全观测导航相当且可迁移到真实机器人，为人群导航提供新思路。
2023-04-28 cs.HC cs.LG cs.RO
Intention Aware Robot Crowd Navigation with Attention-Based Interaction Graph
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Pennsylvania State University（宾夕法尼亚州立大学）
针对密集交互人群中的安全导航问题，提出融合注意力循环图神经网络与未来轨迹意图预测的无模型RL方法，并实现从仿真到真实TurtleBot 2i的策略迁移。
2023-04-24 cs.AI cs.LG cs.RO
CoMet: Modeling Group Cohesion for Socially Compliant Robot Navigation in Crowded Scenes
我们提出了CoMet，一种新的方法，用于计算一组的凝聚力，并使用它来提高机器人在拥挤的场景中的导航。我们的方法使用了一种新的凝聚力指标，建立在社会心理学的先前工作。我们通过利用机器人上的RGB-D相机的行人的各种视觉特征来计算这个度量。具体来说，我们检测的特征对应于人与人之间的接近，他们的相对步行速度，组的大小，以及组成员之间的相互作用。我们使用我们的凝聚力度量设计和改进的导航方案，占不同层次的群体凝聚力，而机器人在人群中移动。我们基于感知评估来评估我们的内聚度量的精确度和召回率。我们强调了我们的社会导航算法在Turtlebot机器人上的性能，并展示了它在多个指标方面的好处：冻结率（减少57%），偏差（减少35.7%）和轨迹的路径长度（减少23.2%）。
2021-08-26 cs.RO
Diffusion Policies for Short-Horizon Planning in Robot Crowd Navigation
Institute for Numerical Simulation（数值模拟研究所）；University of Bonn（波恩大学）
针对机器人人群导航中现有方法难以表征多样化短期避障策略的问题，提出PDPO框架，生成短程动作块并引入边界约束，在基准测试中取得更好导航成功率。
2026-08-28 cs.LG
Learning Robot Visual Navigation in Crowds via Intention-Aware Scene Representations
Shenzhen Key Laboratory of Robotics Perception and Intelligence, Department of Electronic and Electrical Engineering, SUSTech（南方科技大学电子与电气工程系深圳市机器人感知与智能重点实验室）；Jiaxing Research Institute, SUSTech（南方科技大学嘉兴研究院）；Research Institute of MA&EI, Peng Cheng Laboratory（鹏城实验室机器人与人工智能研究所）
提出iCrowdNav方法，利用时空编码器和Intent-Interact Former从视觉观测中提取场景占用特征和人体姿态意图，通过深度强化学习实现高效人群导航。
2026-06-25 cs.RO
Learning Crowd Behaviors in Navigation with Attention-based Spatial-Temporal Graphs
Bonn University（波恩大学）
本文提出基于注意力机制的时空图深度学习方法，结合空间图与RNN时间图建模人群交互并预测未来意图，提升机器人在复杂动态环境中的导航安全性、效率和泛化能力。
2024-01-11 cs.RO
Following Social Groups: Socially Compliant Autonomous Navigation in Dense Crowds
Hong Kong University of Science and Technology（香港科技大学）；Carnegie Mellon University（卡内基梅隆大学）
在人口稠密的环境中，社交兼容导航对于自主机器人至关重要，因为驾驶时不可避免地要靠近人。考虑到人类舒适度和社会规则的限制，这种社交导航方式具有挑战性。传统的基于手工成本函数的方法难以在复杂的现实世界中操作。其他基于学习的方法未能从集体形成行为的角度解决自然性方面。我们提出了一个自主导航系统，能够在密集的人群和利用社会群体的信息。底层系统结合了一个深度神经网络来跟踪社交群体并加入社交群体的流以促进导航。系统中的防撞层进一步确保了航行安全。在实验中，我们的方法产生社会顺应行为的最先进的方法。更重要的是，该系统能够在人口密集的区域（10米x 20米区域内有10多人）安全地跟随人群流动到达目标。
2019-11-27 cs.AI cs.RO
Pedestrian-Robot Interactions on Autonomous Crowd Navigation: Reactive Control Methods and Evaluation Metrics
Swiss Federal School of Technology in Lausanne - EPFL（洛桑联邦理工学院）；University of Tsukuba（筑波大学）；Swiss Federal School of Technology in Zurich - ETH Zurich（苏黎世联邦理工学院）
对于机器人来说，在人口稠密地区的自主导航仍然是一项具有挑战性的任务，因为在非结构化的情况下很难保证与行人的安全互动。在这项工作中，我们提出了一个人群导航控制框架，提供连续的避障和接触后控制评估的自主个人移动车辆。我们提出了会计效率，控制器的反应和人群在自然人群中的相互作用的评价指标。我们报告了110多个不同人群类型的试验结果：稀疏，流动和混合交通，低（< 0.15 ppsm），中（< 0.65 ppsm）和高（< 1 ppsm）行人密度。我们提出了两个低级别的避障方法和共享控制的基线之间的比较结果。结果显示，在最高密度测试中，达到目标的相对时间下降了10%，并且没有其他效率指标下降。此外，自主导航与共享控制导航相比，具有较低的相对颠簸和显着较高的命令流畅性，表明与人群的高度兼容性。我们的结论是，反应式控制器完成了快速和连续适应人群导航的必要任务，它应该与高层次的规划者环境和态势感知。
2022-08-03 cs.CV cs.HC cs.RO
Human-Aware Robot Navigation via Reinforcement Learning with Hindsight Experience Replay and Curriculum Learning
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
针对密集人群中无示范数据的机器人导航问题，提出融合HER与CL的强化学习方法，以克服稀疏奖励并学习安全、高效、无碰撞的人类感知导航策略。
2021-10-09 cs.AI cs.LG cs.RO
Robot Navigation in Crowds by Graph Convolutional Networks with Attention Learned from Human Gaze
Hong Kong University of Science and Technology（香港科技大学）
移动机器人安全高效的人群导航是一项重要而又具有挑战性的任务。以前的工作已经显示了深度强化学习框架在训练有效策略方面的力量。然而，当人群规模增加时，他们的表现就会恶化。我们建议，这可以通过使网络能够识别和关注人群中对导航最关键的人来解决。我们提出了一种新的网络，利用图形表示学习的政策。我们首先训练一个基于人类凝视数据的图卷积网络，它可以准确地预测人类对人群中不同智能体的注意力。然后，我们将学习到的注意到一个基于图的强化学习架构。建议的注意力机制，使有意义的权重分配给邻居的机器人，并具有额外的好处的可解释性。在具有各种人群规模的真实世界密集行人数据集上的实验表明，我们的模型在任务完成率和时间效率方面分别比最先进的方法高出18.4%和16.4%。
2019-09-23 cs.AI cs.CV cs.RO
Crowd-Aware Robot Navigation for Pedestrians with Multiple Collision Avoidance Strategies via Map-based Deep Reinforcement Learning
University of Science and Technology of China (USTC)（中国科学技术大学）
对于移动机器人来说，在人群中导航是具有挑战性的。现有的方法通常假设行人遵循预定义的避碰策略，如社会力模型（SFM）或最佳相互避碰（ORCA）。然而，它们的性能通常需要进一步改善的实际应用中，行人遵循多种不同的防撞策略。在本文中，我们提出了一种基于地图的深度强化学习方法，用于具有各种行人的人群感知机器人导航。我们使用传感器地图来表示机器人周围的环境信息，包括其形状和可观察到的障碍物外观。我们还介绍了行人地图，指定机器人周围的行人的运动。通过应用这两个地图作为输入的神经网络，我们表明，导航政策可以训练，以更好地与行人以下不同的防撞策略。我们评估我们的方法在多个场景下，在模拟器和实际的机器人。结果表明，我们的方法允许机器人成功地与各种行人进行交互，并在成功率方面优于比较方法。
2021-09-06 cs.RO
SPLC: Social Preference Learning for Crowd Robot Navigation
Wuhan University of Science and Technology（武汉科技大学）；Hubei Province Key Laboratory of Intelligent Information Processing and Real-time Industrial System（湖北省智能信息处理与实时工业系统重点实验室）
提出SPLC算法，通过社会偏好反馈机制自动生成偏好数据，消除详细奖励设计需求，提升离线强化学习在人群导航中的社会合规性。
2026-07-03 cs.RO
The Emotionally Intelligent Robot: Improving Social Navigation in Crowded Environments
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Google（谷歌）；University of Maryland at College Park（马里兰大学帕克分校）
我们提出了一个实时算法的情感感知导航的机器人之间的行人。我们的方法使用贝叶斯推理，基于CNN的学习和心理学的PAD（Pleasure-Arousal-Dominance）模型的组合，从行人的面部和轨迹中估计行人随时间变化的情绪行为。这些PAD特征用于长期路径预测，并为每个行人生成里程限制。我们使用多通道模型将行人特征分为四个情感类别（快乐，悲伤，愤怒，中性）。在我们的验证结果中，我们观察到85.33%的情感检测准确率。我们制定基于情感的情感约束，以执行社会意识的机器人导航在低到中密度的环境。我们证明了我们的算法在模拟环境中的好处，数十名行人，以及在现实世界中的设置与辣椒，社会人形机器人。
2019-03-07 cs.RO
Multi-subgoal Robot Navigation in Crowds with History Information and Interactions
机器人在与人类共享的动态环境中的导航是一项重要但具有挑战性的任务，随着人群的增长，其性能会恶化。本文提出了一种基于深度强化学习的多子目标机器人导航方法，该方法能够更全面地推理所有智能体（机器人和人类）之间的关系。具体而言，通过引入历史信息和交互，为机器人规划下一个位置点。首先，基于子图网络，将所有智能体的历史信息进行聚合，然后通过图神经网络对交互进行编码，从而提高机器人对未来场景的隐式预测能力。进一步考虑，为了降低下一个位置点不可靠的概率，在强化学习框架下，在策略网络之后设计了选择模块。此外，从选择模块生成的下一个位置点比直接从策略网络中获得的更好地满足任务要求。实验表明，我们的方法优于国家的最先进的方法在成功率和碰撞率，特别是在拥挤的人类环境。
2022-11-29 cs.AI cs.RO
MeSA-DRL: Memory-Enhanced Deep Reinforcement Learning for Advanced Socially Aware Robot Navigation in Crowded Environments
Sejong University（世宗大学）；Sungkyunkwan University（成均馆大学）
本文提出MeSA-DRL记忆增强深度强化学习框架，融合长期记忆、人机交互注意力、全局规划与多项奖励，以提升机器人在拥挤行人场景中的社会感知导航效率与安全性。
2024-04-08 cs.RO
Safe Navigation in Uncertain Crowded Environments Using Risk Adaptive CVaR Barrier Functions
Department of Robotics, University of Michigan（机器人学系，密歇根大学）；Toyota North America Research & Development（丰田北美研发）；Department of Robotics and the Department of Aerospace Engineering at University of Michigan（机器人学系和航空航天工程系，密歇根大学）
针对动态拥挤环境下机器人导航的不确定性挑战，提出基于CVaR-BF的风险自适应方法及动态区域障碍函数，可自适应调整风险、扩展安全裕度，性能优于现有社会导航方法。
2025-08-01 cs.RO
Curiosity-based Robot Navigation under Uncertainty in Crowded Environments
Southern University of Science and Technology（南方科技大学）；Shandong University（山东大学）；Shenzhen Key Laboratory of Robotics Perception and Intelligence（深圳市机器人感知与智能重点实验室）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute of The Chinese University of Hong Kong（香港中文大学深圳研究院）
移动机器人在机场、商场等大规模、拥挤的环境中越来越受欢迎，但由于地标稀疏和人群噪声的影响，在这种环境中的定位是一个很大的挑战。此外，这是不可靠的机器人在人群中安全导航，同时考虑人类的舒适度。因此，如何在这种环境下安全地进行定位是一个关键问题。为了解决这个问题，我们提出了一个基于好奇心的框架，可以找到一个有效的路径与考虑人类舒适度和人群，定位的不确定性，和成本去目标。该框架包括三个部分：距离评估模块、积极内容课程（CPC），即信息丰富的地区，以及消极内容课程（CNC），即拥挤的地区。当实时定位不确定度评估不满意时，引入CPC。这个因素是通过沿着候选轨迹的不确定性的传播来预测的，以促使机器人接近定位参考地标。建立了基于高斯混合模型（GMM）的人体舒适度和人群密度图（HCCDM），计算CNC，驱动机器人绕过人群并考虑人体舒适度。评估是在一系列大规模和拥挤的环境中进行的。结果表明，我们的方法可以找到一个可行的路径，可以考虑定位的不确定性，同时避免拥挤的区域。
2023-03-20 cs.RO
Improving robot navigation in crowded environments using intrinsic rewards
Aragon Institute of Engineering Research (I3A)（阿拉贡工程研究所（I3A））；Universidad de Zaragoza（萨拉戈萨大学）
针对拥挤环境下机器人深度强化学习导航易陷入局部最优、探索不充分的问题，提出基于状态不确定性的内在奖励探索方法，经仿真验证其学习更快、导航成功率更高、碰撞更少，性能优于现有前沿算法。
2025-03-24 cs.RO
SICNav-Diffusion: Safe and Interactive Crowd Navigation with Diffusion Trajectory Predictions
本文提出SICNav-Diffusion方法，将扩散模型生成的多模态人类轨迹预测集成到双层MPC框架中，同时实现机器人规划与预测安全细化，在ETH/UCY基准及仿真和真实机器人实验中验证了安全高效的人群导航性能。
2025-06-30 cs.RO
DRL-TH: Jointly Utilizing Temporal Graph Attention and Hierarchical Fusion for UGV Navigation in Crowded Environments
DRL-TH通过结合时序图注意力和层次融合，提升无人地面车辆在拥挤环境中的导航性能和动态适应性。
2025-12-30 cs.AI cs.RO
Dynamically Feasible Deep Reinforcement Learning Policy for Robot Navigation in Dense Mobile Crowds
我们提出了一种新的深度强化学习（DRL）为基础的政策，计算动态可行的和空间感知速度的机器人之间的移动障碍物导航。我们的方法结合了动态窗口方法（DWA）在满足机器人的动态约束方面的优势，最先进的基于DRL的导航方法，可以很好地处理移动障碍物和行人。我们的配方实现了这些目标，通过嵌入环境障碍物的运动在一个新的低维观测空间。它还使用了一种新的奖励函数来积极地加强速度，使机器人远离障碍物的前进方向，从而显著降低碰撞次数。我们评估我们的方法在现实的3-D模拟环境中，并在一个真正的差分驱动机器人在具有挑战性的密集室内场景与几个步行行人。我们将我们的方法与最先进的碰撞避免方法进行比较，并观察到成功率（增加33%），违反动力学约束的次数（减少61%）和平滑度方面的显着改善。我们还进行消融研究，以突出我们的观察空间制定和奖励结构的优势。
2020-11-26 cs.RO
Integrating Algorithmic Planning and Deep Learning for Partially Observable Navigation
NUS Graduate School for Integrative Sciences and Engineering（新加坡国立大学综合科学与工程研究生院）
我们建议采取一种新的方法来设计机器人系统，其中一个更大的系统的每个构建块表示为一个可微的程序，即一个深神经网络。这种表示允许以原则性的方式集成算法规划和深度学习，从而结合了无模型和基于模型的方法的优点。我们将所提出的方法应用于具有挑战性的部分可观察机器人导航任务。机器人必须在以前看不见的3D环境中导航到目标，而不知道其初始位置，而是依赖于2D楼层地图和机载摄像头的视觉观察。我们介绍了导航网络（NavNets），它在一个端到端的可训练递归神经网络中编码状态估计、规划和行动。在初步的模拟实验中，我们成功地训练了导航网络，以解决具有挑战性的部分可观测导航任务。
2018-07-17 cs.AI cs.LG cs.RO
Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories
Purdue University（普渡大学）
互联和自动驾驶车辆（CAV）地图的普遍解决方案包括高清地图（HD地图）或实时同时定位与地图构建（SLAM）。这两种方法都只依赖于车辆本身（车载传感器或嵌入式地图），不能很好地适应临时改变的可驾驶区域，如工作区。在这些区域中导航CAV在很大程度上依赖于车辆如何基于感知信息定义可驾驶区域。在这些情况下，提高感知准确性和确保正确解释感知结果的困难对车辆来说是具有挑战性的。本文提出了一个原型，将众包轨迹信息引入到地图绘制过程中，以增强CAV对可行驶区域和交通规则的理解。基于众包轨迹，采用高斯混合模型（GMM）构建临时变化的可行驶区域和占用栅格地图（OGM）。该方法与SLAM相比，没有任何人类驾驶信息。该方法与下游的路径规划和车辆控制模块有很好的适应性，并且CAV没有违反驾驶规则，这是纯SLAM方法所不能实现的。
2023-01-22 cs.AI cs.RO
Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space
University of Waterloo（滑铁卢大学）
提出一种不确定性感知的DRL方法，通过新颖奖励函数纳入行人预测不确定性，在真实行人仿真环境中训练，显著降低碰撞率并提升安全距离，优于现有模型和MPC方法。
2024-05-22 cs.AI cs.LG cs.RO
PRISM: Predictive Representation of Interaction Style and Motion for Social Robot Navigation
National Chung Hsing University（国立中兴大学）；Toyota Technological Institute（丰田工业大学）
PRISM通过被动观察推断行人交互特质，利用序数潜在空间和时间稳定性评分，在人群导航中降低碰撞率并小幅提升效率。
2026-09-17 cs.CV cs.RO
SG-LSTM: Social Group LSTM for Robot Navigation Through Dense Crowds
Purdue University（普渡大学）
本文提出SG-LSTM模型，利用社会感知LSTM建模密集环境中的人群群体与交互，提升轨迹预测精度和导航效率，并发布带群体标注的大规模视频数据集。
2023-08-06 cs.AI cs.MA cs.RO
NavDreams: Towards Camera-Only RL Navigation Among Humans
ETH Zürich（苏黎世联邦理工学院）
在日常拥挤的空间中自主导航机器人需要解决复杂的感知和规划挑战。当仅使用单目图像传感器数据作为输入时，不能使用经典的二维规划方法。虽然图像在感知和规划方面存在重大挑战，但它们也允许捕获潜在的重要细节，例如复杂的几何形状，身体运动和其他视觉线索。为了仅从图像成功地解决导航任务，算法必须能够仅使用该信息通道来对场景及其动态进行建模。我们调查是否世界模型的概念，这表明了国家的最先进的结果，在雅达利游戏的建模和学习政策，以及有前途的结果，在二维激光雷达为基础的人群导航，也可以应用到基于摄像头的导航问题。为此，我们创建了模拟环境，机器人必须在不发生碰撞的情况下通过静态和移动的人类才能到达目标。我们发现，国家的最先进的方法是能够成功地解决导航问题，并可以产生梦幻般的预测未来的图像序列，显示一致的几何形状和移动的人。我们还能够通过在真实机器人上测试策略来证明我们的高保真sim2real仿真场景中的策略性能转移到真实世界中。我们在www.example.com上提供我们的模拟器、模型和实验。
2022-03-23 cs.LG cs.RO
Look Before You Leap: Socially Acceptable High-Speed Ground Robot Navigation in Crowded Hallways
Massachusetts Institute of Technology（麻省理工学院）
本文提出一种允许“peek-and-pass”机动的规划器，旨在解决拥挤走廊场景中的“机器人冻结问题”，在不违反社会规范的前提下缩短机器人到达目标的时间，并通过仿真和硬件演示验证了其有效性。
2024-03-20 cs.RO
Robot Navigation in Risky, Crowded Environments: Understanding Human Preferences
University of California San Diego（加州大学圣地亚哥分校）
风险和拥挤的环境（RCE）包含抽象的风险和不确定性的来源，这是由人类不同的感知，导致各种行为。因此，部署在RCE中的机器人需要表现出不同的感知和规划能力，以便解释其他人类代理的行为并在这样的环境中相应地采取行动。为了理解这个问题领域，我们进行了一项研究，探索人类在RCE中的路径选择，从而实现更好的机器人导航可解释AI（XAI）设计。我们创建了一个新的COVID-19疫情杂货购物场景，该场景具有时间风险权衡，并获取了用户的路径偏好。我们发现，参与者展示了各种各样的路径偏好：从危险和紧迫到安全和放松。为了模拟用户的决策，我们评估了三种流行的风险模型（累积前景理论（CPT），条件风险价值（CVAR）和预期风险（ER））。我们发现CPT比CVaR和ER更准确地捕捉人们的决策，证实了CPT比CVaR和ER更具表达力和包容性的理论结果。我们还发现，人们对风险和时间紧迫性的自我评估与他们在RCE中的路径偏好无关。最后，我们对开放式问题进行了主题分析，为机器人提供了关键的设计见解。因此，通过这项研究，我们提供了关于人类行为和感知的新的和关键的见解，以帮助在RCE中设计更好的导航可解释AI（XAI）。
2023-03-15 cs.AI cs.RO
Safe mobility support system using crowd mapping and avoidance route planning using VLM
Graduate School of Regional Development and Creativity, Division of Engineering and Agriculture, Graduate School, Utsunomiya University（乌市大学研究生院区域发展与创意学院，工程与农业系）
本文提出利用视觉-语言模型和高斯过程回归生成动态人群密度地图，以提升自主机器人在拥挤环境中的安全导航能力。
2026-02-11 cs.RO
Navigating the Crowd: Non-linear MPC with Social Forces Dynamics for Human-Aware Robot Navigation
Department of Electronics and Telecommunications, Politecnico di Torino（电子与电信系，都灵理工大学）；School of Engineering, Pablo de Olavide University（工程学院，巴勃罗·德奥拉维德大学）
研究针对自主机器人在人群中安全合规导航的挑战，提出基于社会力模型的非线性模型预测控制框架SFM-NMPC，将人类运动预测嵌入优化循环，能联合预测人机轨迹，经测试在社会合规性上优于基线，有效用于现实社会导航。
2026-07-14 cs.HC cs.RO
Integrating Predictive Motion Uncertainties with Distributionally Robust Risk-Aware Control for Safe Robot Navigation in Crowds
University of California, Berkeley（加州大学伯克利分校）
针对人群中机器人安全导航时人类运动预测不确定性难融入控制的问题，提出分布鲁棒机会约束MPC方法，用分布鲁棒条件风险价值近似实现实时计算，经真实行人数据验证可高效安全导航。
2024-03-08 cs.RO cs.SY eess.SY
Belief Aided Navigation using Bayesian Reinforcement Learning for Avoiding Humans in Blind Spots
Kyung Hee University（庆熙大学）
针对现有社交导航未考虑盲区风险的问题，提出BNBRL+算法，结合信念算法与贝叶斯神经网络，在部分可观测框架下推断风险并规划路径，实验验证其在拥挤盲区环境中导航的有效性。
2024-03-15 cs.AI cs.LG cs.RO
RoboTron-Nav: A Unified Framework for Embodied Navigation Integrating Perception, Planning, and Prediction
Meituan（美团）
提出统一框架RoboTron-Nav，通过多任务协作整合感知、规划与预测能力，并采用自适应3D感知历史采样策略，在$\mathrm{CHORES}$-$\mathbb{S}$基准上取得81.1%成功率的SOTA表现。
2025-08-08 cs.RO
Finding the Easy Way Through -- the Probabilistic Gap Planner for Social Robot Navigation
Honda Research Institute EU GmbH（本田欧洲研究院）；Honda Research Institute JP Co., Ltd.（本田日本株式会社）；Honda R&D Co., Ltd.（本田研发株式会社）
提出概率间隙规划器（PGP），通过将轨迹规划分解为宏观冲突避免与协作碰撞避免两步，引导智能体趋向人群间隙，提升了多密度人群中的导航性能并减少碰撞。
2025-06-26 cs.RO
Data Scaling for Navigation in Unknown Environments
Signal Processing Research Centre, Faculty of Information Technology and Communication Sciences, Tampere University（信号处理研究中心，信息科技与通信科学学院，塔尔皮奥大学）；Graduate School of Information Sciences, Tohoku University（信息科学研究生院，东北大学）；Faculty of Engineering, Turku University of Applied Sciences（工程学院，图尔库应用科学大学）
研究通过大规模数据和多样性提升未知环境导航性能，发现数据多样性比数量更重要，且简单回归模型在嘈杂数据中表现更优。
2026-03-23 cs.RO
Target Reaching Behaviour for Unfreezing the Robot in a Semi-Static and Crowded Environment
AIRC；Softbank Robotics Europe（欧洲软银机器人公司）
机器人在人类半静态和拥挤的环境中导航可能会导致冻结问题，其中机器人由于人类站在其路径上并且没有其他路径可用而无法移动。机器人导航的经典方法没有提供这个问题的解决方案。在这种情况下，机器人可以与人类互动，以清除其路径，而不是将他们视为无生命的障碍物。在这项工作中，我们提出了一个轮式人形机器人的机器人行为，抱怨与社会规范清理其路径时，机器人被冻结，由于人类的存在。该行为由两个模块组成：1）检测模块，使用Yolo v3算法训练来检测人手和手臂。2)手势模块，其利用在使用近端策略优化算法的模拟中训练的策略。使用ROS框架对这两个模型进行了演示。
2021-01-27 cs.AI cs.RO
Hierarchical Decision-Making for Autonomous Navigation: Integrating Deep Reinforcement Learning and Fuzzy Logic in Four-Wheel Independent Steering and Driving Systems
School of Automation, Central South University（自动化学院，中南大学）
本文提出一种面向四轮独立转向与驱动系统的分层决策框架，融合深度强化学习进行高层导航和模糊逻辑进行低层控制，在仿真与真实工业场景中验证了其优于传统方法及纯DRL方案的训练效率、稳定性和安全性。
2025-08-22 cs.AI cs.RO
Integrating Robotic Navigation with Blockchain: A Novel PoS-Based Approach for Heterogeneous Robotic Teams
department of Computer & Information Science, Fordham University（计算机与信息科学系，福特汉姆大学）
本研究将区块链权益证明机制引入广域视觉导航，通过可靠性优先的贡献排序提升异构机器人团队在无GPS环境下的协作导航能力。
2025-05-21 cs.CR cs.RO
DR-MPC: Deep Residual Model Predictive Control for Real-world Social Navigation
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Apple（苹果公司）
针对机器人在复杂人类运动模式下的安全导航问题，提出DR-MPC融合MPC与无模型DRL，克服DRL数据需求大、初始行为不安全的挑战，仅需4小时训练数据即可在真实拥挤场景中高效导航。
2025-02-14 cs.AI cs.LG cs.RO
Zero-shot Object-Centric Instruction Following: Integrating Foundation Models with Traditional Navigation
Robotics and AI Institute（机器人与人工智能研究所）；Simon Fraser University（西蒙弗雷泽大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Michigan（密歇根大学）
本文提出零样本方法 LIFGIF，将自然语言指令落地到因子图地图中并支持建图过程中的导航，同时发布 OC-VLN 数据集，在仿真和真实 Spot 机器人上均验证了其优于现有基线的指令跟随性能。
2025-05-07 cs.CV cs.RO
Optimizing Earth-Moon Transfer and Cislunar Navigation: Integrating Low-Energy Trajectories, AI Techniques and GNSS-R Technologies
Beihang University（北京航空航天大学）；Regional Centre for Space Science and Technology Education in Asia & the Pacific (Affiliated to the United Nations) (RCSSTEAP), Hangzhou International Innovation Institute of Beihang University（联合国附属空间科技教育亚太区域中心，北京航空航天大学杭州国际创新研究院）
本文综述了低能量地月转移、人工智能轨迹优化与GNSS-R导航技术的融合方法，提出面向可持续地月探索的可扩展框架。
2025-11-05 astro-ph.EP cs.AI cs.LG
SocioSense: Robot Navigation Amongst Pedestrians with Social and Psychological Constraints
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个实时算法，SocioSense，社会意识的机器人之间的行人导航。我们的方法使用贝叶斯学习和个性特征理论计算每个行人的时变行为。这些心理特征用于长期路径预测和生成每个行人的邻近特征。我们将这些心理约束与社会约束相结合，在低密度到中等密度的人群中进行人类感知的机器人导航。与现有的交互式路径预测算法相比，对时变行为和行人个性的估计可以使长期路径预测的性能提高21%。我们还展示了我们的社会意识导航在模拟环境中的好处，数十名行人。
2017-06-04 cs.MA cs.RO
Reward Function Design for Crowd Simulation via Reinforcement Learning
Institut Polytechnique de Paris（巴黎理工学院）；INRIA（法国国家信息与自动化研究所）
本文研究基于强化学习的群体模拟中奖励函数设计，通过理论分析与多场景实验发现，直接最小化能量使用并配合适当缩放的引导势场是可行策略，为类人导航和群体模拟技术发展提供指导。
2023-09-22 cs.LG
