Learning Strategies For Successful Crowd Navigation
York University（约克大学）
本文提出用CNN根据场景俯视图像输出机器人速度与转向角，在真实机器人上原位学习人群导航策略，以兼顾人类反应与场景差异，并通过实验定量验证。
2024-04-09 cs.AI cs.RO cs.SY
What we see and What we don't see: Imputing Occluded Crowd Structures from Robot Sensing
Univ Rennes, Inria, CNRS, IRISA（雷恩大学、法国国家信息与自动化研究所、法国国家科学研究中心、雷恩第一大学计算机科学研究所）；CIMAT, A.C.（墨西哥数学研究中心）
我们认为，在拥挤的环境中的移动机器人的导航，其中车载传感的人群通常是有限的闭塞。我们解决的问题，推断人类占用的机器人周围的空间，在盲点，超出其传感能力的范围。这个问题是相当未探索的，尽管它对机器人人群导航的效率和安全性，这需要估计和预测周围的人群状态it.In这项工作中，我们提出了第一个解决方案的样本预测可能的人类存在的基础上的状态的一组较少的感知到的人周围的机器人以及以前的观察人群活动的重要影响。
2021-09-17 cs.CV 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
Towards Generalizable Safety in Crowd Navigation via Conformal Uncertainty Handling
University of California, Riverside（加州大学河滨分校）
针对强化学习人群导航在分布外场景下的性能退化，提出利用自适应共形推断估计行人不确定性，并通过约束强化学习引导智能体，显著提升安全性与鲁棒性，并在真实机器人上验证。
2025-08-07 cs.AI cs.CV cs.LG
Realtime Collision Avoidance for Mobile Robots in Dense Crowds using Implicit Multi-sensor Fusion and Deep Reinforcement Learning
我们提出了一种新的基于学习的碰撞避免算法，CrowdSteer，移动机器人在密集和拥挤的环境中运行。我们的方法是端到端的，并使用多个感知传感器，如2-D激光雷达以及深度相机来感知周围的动态代理并计算无碰撞速度。我们的训练方法是基于模拟到真实的范例，并使用高保真度的行人和环境的3-D模拟训练使用近端策略优化（PPO）的政策。我们表明，我们的学习导航模型是直接转移到以前看不见的虚拟和密集的现实世界的环境。我们已经将我们的算法与差分驱动机器人和评估其性能在狭窄的场景，如密集的人群，狭窄的走廊，T型路口，L型路口等，在实践中，我们的方法可以执行实时避碰，并在这样的复杂场景中生成平滑的轨迹。我们还比较了性能与以前的方法的基础上的指标，如轨迹长度，平均时间到目标，成功率和平滑度，并观察到相当大的改善。
2020-04-28 cs.RO
COVID-Robot: Monitoring Social Distancing Constraints in Crowded Scenarios
保持人与人之间的社交距离规范已成为减缓COVID-19传播的不可或缺的预防措施。我们提出了一种新的方法来自动检测在拥挤的场景中没有遵守社交距离约束的人对，即他们之间大约6英尺的空间。我们的方法不对人群密度或行人步行方向做任何假设。我们使用带有商品传感器的移动机器人，即RGB-D相机和2-D激光雷达，在人群中执行无碰撞导航，并估计相机视野中所有检测到的个体之间的距离。此外，我们还为机器人配备了一个热成像摄像头，可以将热图像无线传输给安全/医疗保健人员，他们可以监控是否有任何人表现出高于正常温度。在室内场景中，我们的移动机器人还可以与静态安装的闭路电视摄像机相结合，以进一步提高检测到的社交距离违规数量，准确地追求步行行人等方面的性能。我们强调了我们的方法在不同静态和动态室内场景中的性能优势。
2020-08-21 cs.RO
Obstacle-aware Waypoint Generation for Long-range Guidance of Deep-Reinforcement-Learning-based Navigation Approaches
Berlin Institute of Technology（柏林工业大学）
在拥挤的环境中导航移动机器人是各种用例中的一项重要任务，例如交付，医疗保健或物流。深度强化学习（DRL）作为替代方法出现，以取代过于保守的方法，并承诺更有效和灵活的导航。然而，深度强化学习由于其近视性而仅限于局部导航。以前的研究工作提出了各种方法将深度强化学习与传统方法相结合，但一个常见的问题是高度动态环境的复杂性，这是由于人类和环境中其他物体的不可预测性。在本文中，我们提出了一个分层的航路点生成器，它考虑了移动障碍物，从而为基于深度强化学习的本地规划器生成更安全，更鲁棒的航路点。因此，我们利用德洛内三角剖分编码的障碍，并结合扩展的混合A-Star方法，有效地搜索在时间状态空间的最优解。我们将我们的路点生成器与两种基线方法进行了比较，并在安全性，效率和鲁棒性方面优于它们。
2021-09-23 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
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
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
3D map creation using crowdsourced GNSS data
University of Glasgow（格拉斯哥大学）
3D地图对于无人机导航、应急服务和城市规划等许多应用越来越有用。然而，使用现有技术（例如激光扫描仪）创建3D地图并使其保持最新是昂贵的。本文提出并实现了一种新的方法，使用全球导航卫星系统（GNSS）信号免费生成2.5D（也称为3D细节层次（LOD）1）地图，这些信号在全球范围内可用，并且仅被卫星之间的障碍物阻挡。和接收器。这使我们能够找到GNSS信号可用性的模式并创建3D地图。本文将算法应用于GNSS信号强度模式的基础上的自举技术，迭代地训练信号分类器，同时生成地图。所提出的技术的结果表明，使用自动处理的GNSS数据创建3D地图的能力。结果显示，第三维度，即建筑物的高度，可以估计在5米以下的精度，这是CityGML标准推荐的基准。
2021-05-31 cs.CV cs.RO eess.SP
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
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
Derivations of Error-State Kalman Filter Kinematics for Globally Applicable Aided Inertial Navigation Systems
Airbus Central Research and Technology（空客中央研究与技术部）；Department of Engineering Cybernetics, Norwegian University of Science and Technology（挪威科技大学工程控制论系）
研究全球导航系统中处理地球曲率等因素的状态估计算法，通过不变误差状态卡尔曼滤波器利用李群对称性，给出四种经典和不变的误差状态卡尔曼滤波器数学公式供比较与实现。
2026-07-07 cs.RO cs.SY eess.SY
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
Human-Human & Human-Robot Interaction Transformer (H2INT) for Robot Navigation in Dense and Uncertain Crowds
School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）；State Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统国家重点实验室）
本文提出H2INT强化学习框架，通过分层关系编码与课程学习提升密集不确定人群中机器人导航的安全性与鲁棒性，可迁移至不同人群布局，经仿真与真实机器人部署验证有效。
2026-09-07 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
Spatio-Temporal Transformer-Based Reinforcement Learning for Robot Crowd Navigation
针对社交机器人导航中时空特征利用不足和策略保守的问题，提出基于时空Transformer的强化学习算法，通过门控嵌入和对齐特征，结合自适应熵，降低保守性并提升导航性能。
2023-10-11 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
Optimal-Horizon Social Robot Navigation in Heterogeneous Crowds
National Key Laboratory of Human-Machine Hybrid Augmented Intelligence（人机混合增强智能国家重点实验室）；Nation Engineering Research Center for Visual Information and Applications（视觉信息与应用国家工程研究中心）；Institute of Artificial Intelligence and Robotics（人工智能与机器人研究所）；Xi’an Jiaotong University（西安交通大学）
本文提出了一种基于社会条件优化的机器人导航框架，通过时空Transformer和强化学习策略动态调整预测时间跨度，提升在异质人群中的导航效率与安全性。
2026-02-28 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
Modeling Cooperative Navigation in Dense Human Crowds
Carnegie Mellon University（卡内基梅隆大学）
为了让机器人成为我们日常生活的一部分，它们不仅需要能够安全地在人群中导航，而且还需要以符合社会要求的方式导航。这是一个具有挑战性的问题，因为人类倾向于通过相互隐式合作来避免碰撞，同时朝着各自的目的地前进。以前的方法使用基于接近度的手工函数来模拟人与人和人与机器人的交互。然而，这些方法只能模拟简单的交互，而不能推广到复杂的拥挤环境。在本文中，我们开发了一种方法，通过本地的互动模型，我们训练使用真正的人类轨迹数据模型的联合分布在未来的轨迹的所有互动代理在人群中。交互模型根据附近其他代理的空间方向推断每个代理的速度。在预测过程中，我们的方法从过去的轨迹推断智能体的目标，并使用学习的模型来预测其未来的轨迹。我们在公共数据集上展示了我们的方法与最先进方法的性能，并表明我们的模型在预测更长时间内的未来轨迹时表现出色。
2017-05-17 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
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
SHINE: Social Homology Identification for Navigation in Crowded Environments
University of Zaragoza（萨拉戈萨大学）；Delft University of Technology（代尔夫特理工大学）
针对移动机器人社交环境导航缺乏高层行为考量的问题，提出SHINE规划器，通过拓扑路径与人类行为模仿实现社交智能导航，经仿真和真实实验验证性能优异。
2025-07-31 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
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
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
