STARS: From Spatiotemporal Dynamics to Social Representations in Human-Robot Interaction
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出SocialNav-SUB基准，评估视觉语言模型在社交机器人导航中的场景理解能力，发现其仍逊于简单规则和人类共识，揭示了关键差距。
2026-10-08 cs.LG cs.RO
Beyond Omakase: Designing Shared Control for Navigation Robots with Blind People
University of Maryland, College Park（马里兰大学学院公园分校）；IBM Research - Tokyo（IBM东京研究院）；Waseda University（早稻田大学）；Miraikan - The National Museum of Emerging Science and Innovation（未来馆（日本未来科学馆））
本研究通过两项视障参与者实验，提出共享控制设计策略，发现用户偏好“老板”模式管理人群互动，强调用户参与对社交导航机器人的重要性。
2025-03-31 cs.HC 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
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
A Comparative Study of Human Motion Models in Reinforcement Learning Algorithms for Social Robot Navigation
Dipartimento di Ingegneria dell’Informazione e Scienze Matematiche, Università di Siena（信息工程与数学科学系，锡耶纳大学）
本文比较了社交机器人导航中基于速度和基于力的人类运动模型，通过在多种模拟环境中训练和测试强化学习导航策略，评估了不同因素对性能的影响，为选择合适的人类运动模型提供了指导。
2025-03-19 cs.HC cs.RO cs.SY
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
Unifying Large Language Model and Deep Reinforcement Learning for Human-in-Loop Interactive Socially-aware Navigation
Purdue University（普渡大学）
本文提出SALM框架，通过大语言模型解析用户指令并融合深度强化学习导航模型，实现人在环路的交互式社会感知导航，提升拥挤动态环境中的导航精度与个性化适应能力。
2025-03-07 cs.AI 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
Deploying SICNav in the Field: Safe and Interactive Crowd Navigation using MPC and Bilevel Optimization
本文介绍 SICNav 的真实部署系统，其通过双层 MPC 将人群运动预测与机器人规划联合优化，以建模人机交互，并在未见室内外环境中完成近 7 公里自主导航验证。
2025-06-10 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
Interaction-aware Conformal Prediction for Crowd Navigation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对人群导航中人类运动不确定性依赖机器人规划的问题，提出交互感知保形预测（ICP），通过交替规划与量化模块平衡导航性能与不确定性，泛化性及效率适用于实际场景。
2025-02-10 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
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
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
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
DenseCAvoid: Real-time Navigation in Dense Crowds using Anticipatory Behaviors
University of Maryland, College Park（马里兰大学帕克分校）
我们提出了DenseCAvoid，一种新的导航算法，用于通过密集的人群导航机器人，并通过预测行人的行为来避免碰撞。我们的配方使用视觉传感器和行人轨迹预测算法来跟踪一组输入帧中的行人，并提供边界框来推断未来时间的行人位置。我们的混合方法将这种轨迹预测与基于深度强化学习的碰撞避免方法相结合，以训练策略，从而在运行时生成更平滑、更安全和更鲁棒的轨迹。我们训练我们的政策，在现实的3-D模拟静态和动态的情况下，多个行人。在实践中，我们的混合方法可以很好地推广到看不见的真实世界场景，并且可以在室内场景中引导机器人穿过密集的人群（每平方米约1-2人），包括狭窄的走廊和大厅。与不使用预测的情况相比，我们观察到我们的方法将机器人在人群中冻结的发生率降低了48%，并在轨迹长度和到达目标的平均时间方面进行了优化。
2020-02-07 cs.RO
Socially Aware Crowd Navigation with Multimodal Pedestrian Trajectory Prediction for Autonomous Vehicles
Australian Centre for Field Robotics（澳大利亚野外机器人学中心）；University of Sydney（悉尼大学）
在拥挤的行人环境中无障碍地操作自动驾驶车辆是一项非常具有挑战性的任务。这是因为在这样的环境中，人类的运动和互动很难预测。最近的研究表明，基于强化学习的方法有能力在人群中学习驾驶。然而，由于人体运动预测具有较大的方差，这些方法可能由于对行人的未来状态的不准确预测而具有非常差的性能。为了克服这个问题，我们提出了一种新的方法，SARL-SGAN-KCE，它结合了一个深层次的社会意识的关注价值网络与人类多模态轨迹预测模型，以帮助确定最佳的驾驶策略。我们还介绍了一种新的技术，以最小的额外的计算需求来扩展离散动作空间。还考虑了飞行器的运动学约束，以确保平稳和安全的轨迹。我们评估我们的方法对人群导航的最先进的方法，并提供消融研究，以表明我们的方法是更安全，更接近人类的行为。
2020-11-23 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
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
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
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
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
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
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
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
Frozone: Freezing-Free, Pedestrian-Friendly Navigation in Human Crowds
我们提出了Frozone，一种新的算法来处理冻结机器人问题（FRP）时出现的机器人导航通过密集的场景和人群。我们的方法感知并明确预测行人的轨迹，并构建潜在冰冻区（PFZ）;机器人可能冻结或妨碍人类的空间区域。我们的公式计算偏差速度，以避免PFZ，这也占社会约束。此外，Frozone专为配备传感器的机器人设计，传感器的传感范围和视野有限。我们确保机器人的偏差是有界的，从而避免突然的角运动，这可能会导致周围障碍物的感知数据的丢失。我们将Frozone与基于深度强化学习（DRL）的碰撞避免方法相结合，并使用我们的混合方法来处理不同密度的人群。我们的整体方法可以在密集环境中实现平滑和无碰撞的导航。我们已经评估了我们的方法在模拟和真正的差分驱动机器人在具有挑战性的室内场景的性能。我们强调了我们的方法在成功率（高达50%的增加），生物友好性（100%的增加）和在具有挑战性的情况下冻结率（> 80%的减少）方面的优势。
2020-03-11 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
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
Learning Agile Navigation in Crowded Environments for Quadruped Robots
Shanghai Jiao Tong University（上海交通大学）；Midea Group（美的集团）
针对四足机器人在拥挤环境中导航难题，提出结合VO几何安全与端到端学习敏捷性的VOP-Nav系统，利用LiDAR数据隐式编码约束并预测安全速度区，VO预测兼具推理输入与训练奖励双重作用，实验验证其高效性与稳健性。
2026-07-17 cs.RO
Following Is All You Need: Robot Crowd Navigation Using People As Planners
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出利用行人作为规划器的机器人人群导航框架，通过规则评估选择领导者并跟随其子目标，无需预测或数据驱动模块即可实现安全高效且类人的导航。
2025-08-07 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
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
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
Getting Robots Unfrozen and Unlost in Dense Pedestrian Crowds
Baidu Research（百度研究院）；City University of Hong Kong（香港城市大学）；Metoak Technology (Beijing) CO., LTD.（北京梅托克科技有限公司）；Fuzhou University（福州大学）；University of Maryland, College Park（马里兰大学帕克分校）
我们的目标是使移动机器人能够在人群密集的环境中导航，例如，购物中心、食堂、训练站或机场航站楼。在这些具有挑战性的环境中，现有的方法遭受两个常见的问题：机器人可能会被冻结，无法朝着目标前进，或者由于人群中的严重闭塞，它可能会迷路。在这里，我们提出了一个导航框架，同时处理机器人冻结和导航丢失的问题。首先，我们提高了机器人的流动性和解冻机器人在人群中使用强化学习为基础的本地导航政策在我们以前的工作~ \cite{long2017towards}，自然考虑到机器人和人类之间的协调。其次，机器人利用其良好的本地移动性，从其定位失败恢复。特别地，它动态地选择接近具有丰富特征的一组恢复位置。据我们所知，我们的方法是第一种方法，同时解决了冻结问题和密集人群中的导航丢失问题。我们评估我们的方法在模拟和现实世界的环境中，并证明它优于国家的最先进的方法。有关视频，请访问https://sites.google.com/view/rlslam。
2018-09-30 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
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
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
STEGNav: Spatio-Temporal Event Graph Reasoning for Multimodal Lifelong Object Navigation
State Key Laboratory of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）；School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
针对现有多模态终身导航方法的局限，本文提出无训练框架STEGNav，通过时空事件图的双轴设计优化导航性能，在多个基准数据集上取得显著效果。
2026-08-31 cs.RO
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
CrowdSurfer: Sampling Optimization Augmented with Vector-Quantized Variational AutoEncoder for Dense Crowd Navigation
Robotics Research Center, IIIT Hyderabad（印度国际信息技术研究所海得拉巴分校机器人研究中心）；Orebro University（厄勒布鲁大学）；University of Tartu（塔尔图大学）
本文提出CrowdSurfer方法，通过结合向量量化变分自编码器与采样优化改进局部规划器，在无需复杂动态障碍物预测的情况下实现了密集人群导航的最先进性能，成功率较DRL-VO提升40%。
2025-03-07 cs.RO math.OC
Crowd-Driven Mapping, Localization and Planning
the University of Hong Kong（香港大学）
密集人群中的导航是机器人领域一个众所周知的开放性问题，在地图绘制、定位和规划方面存在许多挑战。传统的解决方案将密集的行人视为被动/主动移动障碍物，这些障碍物是所有麻烦的原因：它们会对静态场景地标的感知产生负面影响，必须主动避免以确保安全。在本文中，我们提供了一个新的视角：当地观察到的人群流量可以被视为周围场景的感官测量，编码不仅是场景的可通行性，而且其社会导航偏好。我们证明，即使单独使用人群流量测量，而不对静态障碍物进行任何感测，我们的方法仍然可以在密集人群中实现良好的映射，定位和社会意识规划。实验视频可在https://sites.google.com/view/crowdmapping上获得。
2021-01-03 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
Spatiotemporal Attention Enhances Lidar-Based Robot Navigation in Dynamic Environments
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
针对动态室内环境中的低成本机器人导航问题，提出基于二维激光雷达的时空注意力流水线与动态障碍物状态表示，提升泛化性并实现真实机器人部署。
2024-02-28 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
Anticipatory Navigation in Crowds by Probabilistic Prediction of Pedestrian Future Movements
The University of Sydney（悉尼大学）；NVIDIA（英伟达）
人类和机器人在动态环境中共存的关键是智能体能够理解彼此的动作，并预测他们的动作。本文介绍了随机过程预期导航（SPAN），一个框架，使非完整机器人在人群环境中导航，同时预期和占行人的运动模式。为此，我们学习了一个预测模型来预测连续时间随机过程，以模拟行人的未来运动。预期的行人位置被用来进行机会约束碰撞检查，并纳入到一个时间碰撞控制问题。还集成了占用地图，以允许与静态障碍物进行概率碰撞检查。我们展示了SPAN在拥挤的模拟环境中的能力，以及与现实世界的行人数据集。
2020-11-12 cs.LG 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
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
