Socially Aware Robot Crowd Navigation via Online Uncertainty-Driven Risk Adaptation
Shenzhen Key Laboratory of Robotics Perception and Intelligence（机器人感知与智能深圳重点实验室）；Southern University of Science and Technology（南方科技大学）
针对人机共享拥挤环境中机器人导航兼顾效率、安全与社会感知的难题，提出含离线风险学习和在线自适应推理的LR-MPC算法，经实验验证其在成功率与社会感知性上优于基线方法。
2025-06-17 cs.RO
A New Trajectory-Oriented Approach to Enhancing Comprehensive Crowd Navigation Performance
xxx
本文提出了一种新的轨迹导向方法，通过优化轨迹曲率提升人群导航性能，通过统一框架实现多目标优化评估，实验表明其在多尺度场景中表现优异。
2025-12-07 cs.RO
Learning Dynamic Weight Adjustment for Spatial-Temporal Trajectory Planning in Crowd Navigation
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；Delta Electronics Inc.（台达电子公司）
针对密集人群中机器人导航的挑战，提出基于神经网络的动态权重调整方案，结合时空轨迹规划器与强化学习训练策略网络，实现安全性、效率和目标达成的平衡，仿真和实际任务验证了其优于固定权重方案的安全性与可行性。
2024-11-30 cs.RO
Dynamic Channel: A Planning Framework for Crowd Navigation
Carnegie Mellon University（卡内基梅隆大学）；Honda Research Institute（本田研究所）
在密集的人类环境中的实时导航是机器人技术中的一个具有挑战性的问题。大多数现有的路径规划器不能考虑行人的动态，因为在搜索空间中引入时间作为额外的维度在计算上是禁止的。或者，大多数局部运动规划器只解决即将发生的碰撞避免，而不能提供长期的最优性。在这项工作中，我们提出了一种方法，称为动态通道，解决这个全球到本地的困境。我们的方法结合了高层次的拓扑路径规划和低层次的运动规划到一个完整的流水线。通过将路径规划问题表述为三角空间中的图搜索，我们的规划器能够明确地推理障碍动态并有效地捕获环境变化。我们评估我们的方法在公共行人数据集上的效率和性能，并将其与最先进的动态避障规划算法进行比较。
2019-03-01 cs.RO
Safe Hierarchical Navigation in Crowded Dynamic Uncertain Environments
Georgia Institute of Technology（佐治亚理工学院）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种由多阶段规划器和底层安全控制器组成的层次化解决方案，以共同解决拥挤、动态和不确定环境中的安全导航问题。该规划器采用动态间隙分析和轨迹优化来实现与传感和规划范围内动态代理的预测轨迹的碰撞避免，并对代理不确定性具有鲁棒性。为了解决规划范围内的不确定性和实时安全性，采用快速反应安全设置算法（SSA），在轨迹跟踪过程中监测和修改不安全的控制。与其他现有方法相比，我们的方法提供了理论上的安全保证，并在不确定的环境中以更高的概率实现无碰撞导航，如20和50个动态代理的场景所示。项目网址：https://hychen-naza.github.io/projects/HDAGap/。
2023-03-24 cs.RO cs.SY eess.SY
Collision-Free Robot Navigation in Crowded Environments using Learning based Convex Model Predictive Control
College of Mechanical and Electrical Engineering, China Jiliang University（中国计量大学机电工程学院）
本文提出一种结合深度强化学习、凸无障碍区域与模型预测控制的机器人导航框架，通过从激光雷达数据中提取凸区域并设计无碰撞动作空间，在拥挤复杂环境中实现了优于时间弹性带方法的导航性能。
2024-10-19 cs.RO
Social Navigation in Crowded Environments with Model Predictive Control and Deep Learning-Based Human Trajectory Prediction
University of Delaware（特拉华大学）；Cornell University（康奈尔大学）；Honda Research Institute USA, Inc.（美国本田研究院有限公司）
该研究提出将 Social-LSTM 行人轨迹预测与 MPC 规划耦合，在模拟人群中实现考虑多智能体交互的社会导航，并优于多种强化学习基线。
2023-09-28 cs.MA cs.RO
Crowd-FM: Learned Optimal Selection of Conditional Flow Matching-generated Trajectories for Crowd Navigation
Robotics Research Center, IIIT Hyderabad, India（IIIT海得拉巴机器人研究中心，印度）；Nanyang Technological University, Singapore（新加坡南洋理工大学）；University of Tartu, Estonia（爱沙尼亚塔尔图大学）；Inria, Université de Lorraine, France（法国里尔大学Inria研究院）
本文提出Crowd-FM方法，通过条件流匹配学习碰撞自由的轨迹生成策略，提升机器人在人群中的安全性和人似性。
2026-03-17 cs.RO
CBF-Based STL Motion Planning for Social Navigation in Crowded Environment
University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学）；University of Modena（摩德纳大学）
本文提出一种结合CBF与STL的运动规划方法，通过引入旋转约束将用户保持在机器人视场内，实现拥挤环境中安全且可定制的社会责任导航，并通过仿真验证其有效性。
2024-03-30 cs.RO
NavG: Risk-Aware Navigation in Crowded Environments Based on Reinforcement Learning with Guidance Points
Institute of Robotics and Automatic Information System, Nankai University（南开大学机器人与自动信息系统研究所）；Huawei 2012 Lab（华为2012实验室）
针对导航系统运动规划易受上游感知误差影响的问题，提出基于强化学习的引导点机制及其感知到规划的映射策略，有效融合多源感知数据，显著提升了拥挤环境下的导航安全性与效率。
2025-03-03 cs.RO
Minimally Invasive Social Navigation
University of Technology Sydney（悉尼科技大学）
将移动机器人融入人类社会涉及到在人群中导航的基本问题。这个问题已经通过考虑人类在个体水平上的行为进行了研究，但是这种表示限制了运动规划算法的计算效率。我们探讨了将人群表示为流场的想法，并提出了基于侵入性概念的路径质量的正式定义;机器人应该尝试以一种对人类环境具有最小侵入性的方式进行导航。我们开发了一个算法框架的基础上，这个定义的路径规划和实验结果表明其有效性。这些结果打开了新的算法问题的人群的流场表示的动机，是一个必要的步骤的路径上的端到端的实现。
2020-05-08 cs.RO
Intention-Aware Navigation in Crowds with Extended-Space POMDP Planning
University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出了一种混合在线部分可观测马尔可夫决策过程（POMDP）规划系统，解决了存在的多模态不确定性的环境中的其他代理的自主导航问题。作为一个特殊的例子，我们考虑在密集的行人和障碍物之间的自主导航的问题。这个问题的流行方法首先使用完整的规划器（例如，混合A*）与关于不确定性的特设假设，然后使用在线基于树的POMDP求解器来推理不确定性，并控制问题的有限方面（即沿着路径的速度）。我们提出了一种更有能力和响应更快的实时方法，使POMDP规划者能够控制更多的自由度（例如，速度和航向），以实现更灵活、更高效的解决方案。这种修改极大地扩展了POMDP规划器必须推理的状态空间的区域，显著地增加了在实时的控制提供的有限计算预算内找到有效的铺开策略的重要性。我们的关键见解是使用多查询运动规划技术（例如，ProbabilityRoadmaps或FastMarchingMethod）作为先验，用于为POMDP规划树在其有限范围搜索期间可能到达的每个状态快速生成有效的推出策略。我们提出的方法生成的轨迹是安全的，比以前的方法更有效，即使在密集拥挤的动态环境中，规划的视野很长。
2022-06-20 cs.AI cs.RO
SICNav: Safe and Interactive Crowd Navigation using Model Predictive Control and Bilevel Optimization
University of Toronto Robotics Institute（多伦多大学机器人研究所）；Vector Institute for Artificial Intelligence（向量人工智能研究所）；Technical University of Munich（慕尼黑工业大学）
SICNav提出一种基于MPC与双层优化的方法，将ORCA行人模型作为约束嵌入规划器，实现机器人在人群中安全导航并主动影响行人运动。
2025-03-11 cs.RO
Sparse Interacting Gaussian Processes: Efficiency and Optimality Theorems of Autonomous Crowd Navigation
Galois, Inc.（Galois公司）
我们研究了人群导航的稀疏性和最优性属性，发现现有的技术不能同时满足这两个标准：要么他们实现了最优性与禁止数量的样本或易处理的假设使他们脆弱的灾难。例如，如果人类和机器人是独立建模的，那么就可以实现易处理性，但规划者容易过于谨慎或过于激进的行为。对于基于采样的联合人类-机器人成本函数的运动规划，对于$n_t$代理和$T$步骤前瞻，需要$\mathcal O(2^{2n_t T})$样本来覆盖动作空间。先进的方法静态划分的行动空间到自由空间，然后在这些凸区域采样。然而，如果人类将\emph{moving}插入自由空间，那么分区是误导性的，采样是不安全的：自由空间很快就会被占用。我们诊断这些缺陷的原因--优化发生在\emph{trajectory}空间--并提出了一种新的解决方案：优化轨迹\emph{distribution}空间使用高斯过程（GP）的基础。我们利用“内核技巧”的GPS，连续的轨迹捕获的均值和协方差函数。通过使用平均值和协方差作为轨迹族的代理，我们可以推断集体轨迹行为，而无需采取采样。GP的基础是稀疏和最佳的碰撞避免和机器人和人群的意图和灵活性。GP稀疏性在很大程度上依赖于联合动作空间分解为自由区域的洞察力;然而，只有当分区是动态生成的时，分解才包含可行解。我们称这种方法为\emph{$\mathcal O(2^{n_t})$-sparse interacting Gau…
2017-05-10 cs.RO
Hierarchical Learning-Enhanced MPC for Safe Crowd Navigation with Heterogeneous Constraints
State Key Laboratory of Robotic and System, Harbin Institute of Technology（机器人与系统国家重点实验室，哈尔滨工业大学）
提出融合RL图神经网络、时空路径搜索、增量动作掩码与特权学习的分层MPC框架，实现异构约束下安全人群导航并达到SOTA。
2025-07-23 cs.RO
Model Predictive Control for Crowd Navigation via Learning-Based Trajectory Prediction
Continental Automotive GmbH, Germany（德国Continental汽车有限公司）；Technical University of Berlin, Germany（柏林技术大学）；Free University of Berlin, Germany（柏林自由大学）
本研究在 Continental Corriere 机器人上评估了基于深度学习的 SI 预测器与 MPC 框架的集成，发现 SI-MPC 相比传统 CV 模型显著降低了预测误差并提升了导航安全性与平滑度，同时揭示了开环指标与闭环性能间的差异。
2025-08-09 cs.AI cs.RO cs.SY
Move Beyond Trajectories: Distribution Space Coupling for Crowd Navigation
Northwestern University（西北大学）；Honda Research Institute（本田研究院）；California Institute of Technology（加州理工学院）
合作避免碰撞是机器人在密集人群中导航的关键功能，失败可能导致过度攻击或过度谨慎的行为。将智能体的轨迹预测与机器人的轨迹规划相结合是实现协同避碰的必要条件。然而，目前还不清楚，基于轨迹的合作避碰捕捉正确的代理属性。在这项工作中，我们迁移到一个形式主义，耦合代理偏好分布的轨迹为基础的耦合。特别是，我们表明，偏好分布（概率密度函数代表代理人的意图）可以捕捉高阶统计的代理行为，如合作意愿。因此，在分布空间中的耦合利用更多的信息比轨迹空间中的耦合代理间的合作。因此，我们介绍了一个一般的目标，耦合预测和规划的分布空间，并提出了一个迭代的最佳响应优化方法的基础上变分分析，保证足够的减少。基于此分析，我们开发了一个基于采样的运动规划框架，称为DistNav，在笔记本电脑CPU上实时的运行。我们评估我们的方法在现实世界的数据集和仿真环境中的挑战性场景，并对各种基于模型和基于机器学习的方法进行基准测试。我们的方法的安全性和效率统计优于所有其他模型。最后，我们发现DistNav与人类安全和效率性能具有竞争力。
2021-06-25 cs.RO
Relative velocity-based reward functions for crowd navigation of robots
四轮麦克纳姆机器人因其机动性和较强的负载能力而被广泛应用于各个行业，适合在狭窄的环境中执行精确的运输任务，但麦克纳姆轮机器人在具有移动性的同时，也比普通机器人消耗更多的能量。麦克纳姆轮移动机器人的功率消耗根据其工作状态和环境的不同而有很大的差异。因此，只有了解机器人的工作环境和准确的功耗模型，才能准确预测机器人的功耗。为了增加麦克纳姆轮式机器人能耗建模的应用场景，提高能耗建模的准确性，本文重点研究了影响麦克纳姆轮式机器人能耗的各种因素，如电机温度、地形、重心位置该模型是在运动学和动力学模型的基础上，结合电工学和能量流原理建立的。该模型在MATLAB中进行了仿真，并在实验室的四轮麦克纳姆机器人平台上进行了实验验证。实验结果表明，该模型的准确率为90%。能耗建模的结果可以帮助机器人进行合理的路径规划和任务规划，从而达到节能的目的。
2022-01-14 cs.AI cs.RO
Toward Crowd-Sensitive Path Planning
如果机器人能够预测其传感器无法到达的环境中的人群，那么它就可以计划避开他们。本文提出了一种快速的在线算法，学习不同地区的平均人群密度。它还描述了如何将这些密度纳入现有的导航架构。在模拟多个具有挑战性的人群场景时，与使用传统A* 算法进行规划相比，机器人可以更快地到达目标，行驶更少，碰撞风险更小。
2017-10-16 cs.AI cs.RO
Real-time Model Predictive Control with Zonotope-Based Neural Networks for Bipedal Social Navigation
Georgia Institute of Technology（佐治亚理工学院）；College of Engineering and Petroleum, Kuwait University（科威特大学工程与石油学院）
针对动态人群中的双足导航问题，提出基于zonotope的级联神经网络PPN与ESN，并将ESN与模型预测控制结合实现无碰撞轨迹规划，在双足机器人Digit仿真中验证了框架的有效性。
2024-03-25 cs.RO
Dense Crowd Flow-Informed Path Planning
无论是行人和机器人的舒适度是最高的优先级，当一个机器人被放置在一个环境中包含人类。在不知道机器人的移动机器人的情况下，这种对安全的期望导致了冻结机器人问题，其中机器人面对大量动态障碍物组（例如行人）将确定所有向前导航不安全，导致机器人停在原地。为了在避免冻结机器人问题的同时以符合社会的方式导航，我们有兴趣了解拥挤场景中的行人流量。通过将人群中的行人视为由人群本身移动的粒子，我们可以将系统建模为时间相关的流场。从这个流场中，我们可以提取不同的流段，反映从人群中出现的运动模式。然后，这些运动模式可以在移动机器人的控制和导航期间被考虑，从而允许它在人群流内安全地移动，以到达流内或流外的期望位置。我们结合流场提取与离散启发式搜索，创建流知情的路径规划（FIPP）。我们提供的实证结果表明，当与一个自动推出的本地路径规划相比，使用FIPP的机器人不仅能够更快地达到其目标，但也被证明是更符合社会比使用传统技术的机器人在模拟和真实的机器人。
2022-06-01 cs.AI cs.RO
HiCrowd: Hierarchical Crowd Flow Alignment for Dense Human Environments
Robot Navigation and Perception Lab, AASS Research Center, Örebro University, Sweden（奥雷布罗大学机器人导航与感知实验室，AASS研究中心，瑞典）；Miraikan – The National Museum of Emerging Science and Innovation, Japan（日本新兴科学与创新国家博物馆——Miraikan）
提出HiCrowd分层框架，结合强化学习与模型预测控制，通过跟随人群流解决机器人冻结问题，在真实和合成数据集上提升导航效率与安全性。
2026-06-16 cs.RO
Socially Acceptable Bipedal Robot Navigation via Social Zonotope Network Model Predictive Control
Georgia Institute of Technology（佐治亚理工学院）；Kuwait University（科威特大学）
本研究提出基于社会Zonotope网络模型预测控制（SZN-MPC）的框架，通过耦合预测与运动规划，实现双足机器人Digit在拥挤人群中的社会可接受导航。
2024-06-24 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
Path planning model of mobile robots in the context of crowds
Beijing University of Chemical Technology（北京化工大学）
分析了基于RNN和视觉质量评价的人群环境下机器人路径规划模型。移动机器人路径规划是机器人导航的关键，也是机器人研究的一个重要领域。设机器人的运动空间为二维平面，在采用人工势场法进行路径规划时，将机器人的运动看作是在虚拟人工势场力作用下的一种运动。与简单的图像采集相比，复杂人群环境下的图像采集首先需要对图像进行预处理。我们主要使用OpenCV校准工具对采集的图像进行预处理。在方法学设计中，采用基于RNN的视觉质量评价方法滤除背景噪声.标定后的图像中仍然存在高斯噪声等冗余信息，影响后续的运算。提出了一种基于RNN的图像质量评价算法，并在此基础上进行了去噪处理。此外，新的路径规划模型的设计和仿真。通过与现有模型的比较，证明了该模型的鲁棒性。
2020-09-10 cs.RO
MengeROS: a Crowd Simulation Tool for Autonomous Robot Navigation
The Graduate Center（纽约市立大学研究生中心）；Hunter College of The City University of New York（纽约市立大学亨特学院）
虽然在大型拥挤的环境中有效导航对于自主机器人至关重要，但支持它的算法的初步测试需要在广泛的人群场景中进行模拟。大多数可用的仿真工具提供没有机器人的真实人群或没有真实人群的真实机器人。本文介绍了MengeROS，一个2-D模拟器，逼真地集成了多个机器人和人群。MengeROS提供了广泛的设置，用于测试为大型拥挤环境设计的导航算法的功能和性能。
2018-01-26 cs.RO
HumanHalo: Safe and Efficient 3D Navigation Among Humans via Minimally Conservative MPC
Technical University of Munich（慕尼黑技术大学）；ETH Zurich（苏黎世联邦理工学院）
提出HumanHalo框架，结合可达性安全保证与数据驱动人体运动预测，通过仅约束初始控制输入实现安全高效的3D MAV人群导航，在仿真和真实实验中验证了其有效性。
2026-09-29 cs.RO
Beyond Fixed Goal Delivery: Online POMDP Planning for Target Interception in Crowds
Dept. of Aerospace Engineering Sciences（航空航天工程科学系）；Dept. of Computer Science, University of Colorado Boulder（科罗拉多大学博尔德分校计算机科学系）
研究拥挤环境中目标拦截问题，将其建模为部分可观测马尔可夫决策过程，用树搜索在线求解。对比顺序路径速度规划器和统一规划器，发现高密度时前者安全拦截率低、耗时多，揭示了空间限制的结构局限性。
2026-07-22 cs.RO
CrowdMove: Autonomous Mapless Navigation in Crowded Scenarios
Baidu Research, Baidu Inc.（百度公司百度研究院）；City University of Hong Kong（香港城市大学）；University of Maryland, College Park（马里兰大学帕克分校）
导航是移动机器人的基本能力。在本文中，我们提出了一个广义而有效的3M（即，多机器人、多场景和多阶段）训练框架。我们用一个鲁棒的策略梯度算法优化了一个无地图导航策略。我们的方法使不同类型的移动平台能够在复杂和高度动态的环境中安全导航，例如行人人群。为了证明我们的方法的优越性，我们测试我们的方法与四种移动平台在四个场景。有关视频，请访问https://sites.google.com/view/crowdmove。
2018-07-25 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
Mapless Navigation among Dynamics with Social-safety-awareness: a reinforcement learning approach from 2D laser scans
Noah’s Ark Lab, Huawei Technologies Canada, Ltd.（华为技术加拿大有限公司诺亚方舟实验室）；University of Alberta（阿尔伯塔大学）
我们提出了一种方法来解决无地图防撞导航的问题，其中人类使用二维激光扫描。我们提出的方法使用自我安全来衡量碰撞从机器人的角度来看，而社会安全来衡量我们的机器人的行动对周围行人的影响。具体来说，社会安全部分预测了我们的机器人的行为对与周围人类互动区域的入侵影响。我们在一个简单的模拟器上使用强化学习对策略进行训练，并在Gazebo和真实机器人测试中直接评估学习到的策略。实验表明，学习策略可以顺利地转移，无需任何微调。我们观察到，我们的方法演示了时间效率的路径规划行为，在无地图导航任务的成功率很高。此外，我们测试我们的方法在动态人群中的导航任务，同时考虑低和高容量的交通。我们学习的策略展示了合作行为，积极驱动我们的机器人进入交通流，同时对附近的行人表示尊重。评估视频请访问https://sites.google.com/view/ssw-batman
2020-03-05 cs.RO
SRL-MPC: Shape-Aware Reinforcement Learned Model Predictive Control
The University of Hong Kong（香港大学）；Southern University of Science and Technology（南方科技大学）；University of Michigan（密歇根大学）；Shenzhen Institutes of Advanced Technology（深圳先进技术研究院）
针对异构人群与机器人集群的形状感知导航难题，提出SRL-MPC方法，结合MPC的安全泛化性与RL的适应性，实验显示其在安全性、适应性上优于基准方法。
2026-08-24 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
SANGO: Socially Aware Navigation through Grouped Obstacles
Plaksha University（普拉卡什大学）
本文提出 SANGO 方法，利用 DBSCAN 动态聚类障碍物并结合 PPO 深度强化学习进行社会合规路径规划，在拥挤动态仿真中显著降低不适感与碰撞率。
2024-11-29 cs.LG cs.RO
Robot Crowd Navigation in Dynamic Environment with Offline Reinforcement Learning
Wuhan University of Science and Technology（武汉科技大学）
针对在线深度强化学习在机器人人群导航中探索不安全、采样效率低的问题，提出融合时空状态与 implicit Q-Learning 的离线强化学习算法，并通过实验证明其优于现有方法。
2023-12-18 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
Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction
Stanford University（斯坦福大学）；Toyota Research Institute（丰田研究所）
提出了一种基于风险敏感随机最优控制的在线安全人群-机器人交互框架，其中风险由熵风险度量建模。基于采样的模型预测控制依赖于模式插入梯度优化的风险措施，以及Trajectron++，一个国家的最先进的生成模型，产生多模式的概率轨迹预测多个相互作用的代理。我们的模块化方法将人群-机器人交互集成到基于学习的预测和基于模型的控制中，这与端到端的策略学习方法相比是有利的，因为它允许机器人在运行时间指定所需的行为。特别是，我们表明，机器人表现出不同的相互作用行为，通过改变风险敏感度参数。仿真研究和真实世界的实验表明，所提出的在线框架可以实现安全和高效的导航，同时避免与场景中超过50人的碰撞。
2020-09-12 cs.AI cs.LG cs.RO
Learning Contact-based Navigation in Crowds
University of Texas at Austin（德克萨斯大学奥斯汀分校）
在拥挤的环境中有意地结合与人类的接触（即“基于接触的”社交导航）的导航策略在很大程度上是未开发的，即使无碰撞的社交导航是一个很好的研究问题。传统的社交导航框架要求机器人在即将发生碰撞时突然停止或“冻结”。这种模式提出了两个问题：1）在人群中导航时冻结可能会导致人们绊倒并摔倒在机器人身上，导致比碰撞本身更大的伤害，以及2）在碰撞不可避免的非常密集的社会环境中，这种控制方案将使机器人无法移动，并排除研究人类如何将机器人纳入这些环境的机会。然而，如果机器人要被有意义地包括在拥挤的社交空间中，例如繁忙的街道、地铁、商店或其他人口密集的场所，则可能不存在可以保证零碰撞的轨迹。因此，在这些环境中采用机器人需要开发最小破坏性的导航计划，可以安全地计划和响应接触。我们提出了一个基于学习的运动规划和控制方案，导航密集的社会环境中使用安全的联系人的全向移动机器人。规划者进行了评估，在模拟超过360个试验，人群密度在0.0和1.6人每平方米之间变化。据我们所知，我们的导航方案能够使用接触来安全地在比以前报道的密度更高的人群中导航。
2023-03-02 cs.CY cs.HC cs.LG
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
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
L2B: Learning to Balance the Safety-Efficiency Trade-off in Interactive Crowd-aware Robot Navigation
OMRON SINIC X Corporation（欧姆龙SINIC X公司）
这项工作提出了一个深入的强化学习框架，用于在拥挤的地方进行交互式导航。我们提出的方法，学习平衡（L2 B）框架，使移动机器人代理安全地转向他们的目的地，避免与人群发生碰撞，同时主动清理路径，要求附近的行人腾出空间，如果必要的话，以保持他们的旅行效率。我们观察到，在人群感知导航的安全性和效率的要求有一个权衡存在的代理和人群之间的社会困境。一方面，过多地干预行人通道以实现即时效率将导致自然人群流动的崩溃，并最终可能使每个人，包括自己，处于碰撞的风险之中。另一方面，保持沉默，以避免每一个单一的碰撞将导致智能体的低效旅行。通过这种观察，我们的L2 B框架增强了用于学习交互式导航策略的奖励函数，以惩罚频繁的主动路径清除和被动碰撞避免，这大大提高了安全效率权衡的平衡。我们评估我们的L2 B框架在一个具有挑战性的人群模拟，并证明其优越性，在导航成功率和碰撞率方面，在一个国家的最先进的导航方法。
2020-10-07 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
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
HeR-DRL:Heterogeneous Relational Deep Reinforcement Learning for Decentralized Multi-Robot Crowd Navigation
Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院）；Soochow University（苏州大学）
针对多机器人人群导航中交互异构性被忽视的问题，提出基于定制异构GNN的HeR-DRL方法，在单/多机器人圆形穿越场景中超越SOTA，提升安全性与舒适性。
2024-03-15 cs.RO
Decentralized Structural-RNN for Robot Crowd Navigation with Deep Reinforcement Learning
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对机器人在部分可观测和密集人群环境中导航性能下降的问题，提出DS-RNN网络，利用无模型深度强化学习进行时空关系推理，并在仿真和真实TurtleBot上验证了其优越性。
2025-01-27 cs.AI cs.LG cs.RO
Enhancing Navigational Safety in Crowded Environments using Semantic-Deep-Reinforcement-Learning-based Navigation
Berlin Institute of Technology（柏林工业大学）
社交人群中的智能导航是移动机器人的一个重要方面，用于交付，医疗保健或援助等应用。深度强化学习作为保守方法的替代规划方法出现，并承诺更有效和灵活的导航。然而，在高度动态的环境中，采用不同种类的障碍物类，安全航行仍然提出了一个巨大的挑战。在本文中，我们提出了一种基于语义深度强化学习的导航方法，该方法通过考虑高级障碍物信息来教授特定于对象的安全规则。特别是，智能体通过考虑特定的危险区域来学习特定于对象的行为，以增强脆弱对象类周围的安全性。我们测试的方法对基准避障方法，并发现增加了安全性。此外，我们证明了智能体可以通过保持依赖于语义信息的个人安全距离来学习更安全地导航。
2021-09-23 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
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
Hyp2Nav: Hyperbolic Planning and Curiosity for Crowd Navigation
Sapienza University of Rome（罗马大学）；ItalAI（意国人工智能公司）；University of Amsterdam（阿姆斯特丹大学）
本文提出 Hyp2Nav，利用双曲几何策略模型与好奇心模块进行层级人群导航，以少至多6倍参数取得多种仿真中的最佳成功率和回报，并支持二维可解释嵌入。
2024-09-06 cs.CV cs.RO
Self-navigation in crowds: An invariant set-based approach
Indian Institute of Technology Bombay（印度理工学院班加罗尔）
本文提出了一种基于不变集的自主导航方法，通过输入受限反馈控制器和规划策略，实现非协调拥挤环境中安全快速的多智能体导航。
2024-01-17 cs.RO
Multi-Robot-Assisted Human Crowd Evacuation using Navigation Velocity Fields
University of Notre Dame（圣母大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
本文研究了一个机器人辅助人群疏散的问题，我们控制一小群机器人引导大量的人群到安全的地方。挑战在于如何对人机交互进行建模，并设计机器人控制，以间接控制数量远远超过机器人的人口。为了应对这一挑战，我们将人群视为一个连续体，并将疏散目标制定为将人群密度驱动到目标位置。我们提出了一种新的平均场模型，它包括一个家庭的微观方程，明确地模拟人类的运动是如何本地引导的机器人和相关的宏观方程，描述了人群密度是如何控制的导航速度场所产生的所有机器人。然后，我们设计了密度反馈控制器的机器人动态调整其状态，使产生的导航速度场驱动人群密度的目标密度。所提出的控制器的稳定性保证证明。基于代理的模拟评估所提出的疏散算法。
2022-09-20 cs.RO cs.SY eess.SY
A comparative evaluation of machine learning methods for robot navigation through human crowds
Cisco（思科）；University of York（约克大学）；JetBrains Research（JetBrains研究院）
机器人在人群中导航对人工智能系统构成了严峻的挑战，因为这些方法应该实现快速有效的移动，但同时不允许损害安全。迄今为止，大多数方法都集中在将寻路算法与机器学习相结合，用于行人步行预测。最近，强化学习技术已经在研究文献中提出。在本文中，我们进行了比较评估的寻路/预测和强化学习方法上的人群运动数据集收集的监控视频在纽约大中央车站。结果表明，国家的最先进的强化学习方法的强大优势，与国家的最先进的行为预测技术的寻路。
2020-12-16 cs.LG cs.RO
