EWareNet: Emotion Aware Human Intent Prediction and Adaptive Spatial Profile Fusion for Social Robot Navigation
Purdue University(普渡大学)
我们提出了EWareNet,一种新的意图和影响感知的社会机器人步行者之间的导航算法。我们的方法预测基于步态序列的行人意图,然后将其用于意图引导导航,同时考虑到社会和情感的约束。我们提出了一个基于transformer的模型,该模型适用于安装在移动机器人上的商品RGB-D相机。我们的意图预测例程被集成到一个无地图导航方案中,并且对行人运动的环境没有任何假设。我们的导航方案包括一个新的障碍物轮廓表示方法,动态调整行人的姿势,意图和影响的基础上。导航方案是基于一个强化学习算法,考虑行人的意图和机器人的行人意图的影响,除了环境配置。我们优于当前最先进的算法,用于从3D步态进行意图预测。
2023-03-08 cs.RO
Trajectory Learning with Graph Representations for Social Robot Navigation
Bogazici University(博德加齐大学);CREATE Consortium(CREATE联盟)
提出一种结合图注意力网络和轨迹级学习的模仿学习框架,通过编码时空交互动态实现社交合规导航,在仿真和真实数据上优于现有方法。
2026-07-02 cs.RO
Rethinking Social Robot Navigation: Leveraging the Best of Two Worlds
George Mason University(乔治梅森大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Sony AI(索尼人工智能)
针对几何导航系统难适配社交场景、现有方案完全抛弃经典方法的问题,本研究提出融合几何与学习方法的混合导航规划器,经数据集与实体机器人验证,社交合规性优于单一方法。
2024-03-09 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
Learning World Transition Model for Socially Aware Robot Navigation
Zhejiang University(浙江大学)
在动态行人环境中移动是对自主移动机器人的重要要求之一。我们提出了一个基于模型的强化学习方法,机器人导航通过拥挤的环境。导航策略的训练与真实的交互数据从多智能体仿真和虚拟数据从一个深过渡模型,预测周围的动态移动机器人的演变。该模型以激光扫描序列和机器人自身状态为输入,输出转向控制。将激光序列进一步转化为与机器人自身运动相分离的局部障碍物叠加图,将静态和动态障碍物分离,简化了模型训练。我们观察到,我们的方法可以在模拟器中使用显着较少的真实交互数据进行训练,但与其他方法相比,在社交导航任务中实现了类似的成功率水平。在仿真和真实机器人上进行了多个社会场景的实验,学习到的策略可以成功地引导机器人到达最终目标,同时以社会顺应的方式避开行人。代码可在https://github.com/YuxiangCui/model-based-social-navigation上获得
2020-11-08 cs.RO
SoGuDiff: Socially Guided Diffusion for Steerable, Norm-Grounded Robot Navigation
University of Waterloo(滑铁卢大学);McMaster University(麦克马斯特大学)
提出SoGuDiff扩散导航框架,通过连续风格轴在部署时调谐社会行为,并用可行性投影层分离社会学习与碰撞避免,单轴扫描严格优于固定基线,真实世界演示验证了风格差异。
2026-09-28 cs.RO
Characterizing the Complexity of Social Robot Navigation Scenarios
University of Michigan(密歇根大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文通过文献分析识别社交机器人导航场景的情境与机器人相关复杂性因素,并结合仿真评估多种算法,发现密集狭窄环境最易导致性能下降,从而倡导高复杂度场景下的算法开发与测试。
2024-12-10 cs.RO
Social Robot Navigation through Constrained Optimization: a Comparative Study of Uncertainty-based Objectives and Constraints
Skolkovo Institute of Science and Technology (Skoltech)(斯科尔科沃科学技术学院(Skoltech));Sber Robotics group(俄罗斯联邦储蓄银行机器人部门)
该研究针对社交机器人导航场景,探究人体运动预测不确定性融入MPC约束优化的方式,提出多种基于不确定性的代价与约束函数,经多场景多指标对比验证,为不确定性感知导航方法的实际应用提供有效准则参考。
2023-07-17 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
MAction-SocialNav: Multi-Action Socially Compliant Navigation via Reasoning-enhanced Prompt Tuning
Graduate School of Information Science and Technology, Hokkaido University(信息科学与技术研究生院,北海道大学);Graduate School of Computer Science, George Mason University(计算机科学研究生院,乔治·梅森大学)
MAction-SocialNav通过推理增强的提示调优实现多动作社交合规导航,提升决策质量与安全性,效率高于现有模型。
2025-12-25 cs.RO
Foresight Social-aware Reinforcement Learning for Robot Navigation
Institute for Numerical Simulation(数值模拟研究所);University of Bonn(波恩大学);Institute for Computer Sciences(计算机科学研究所);Fraunhofer SCAI(弗劳恩霍夫SCAI研究所)
提出Foresight Social-aware Reinforcement Learning (FSRL)框架,通过前瞻性估计社会交互并引入效率约束,实现移动机器人在复杂拥挤环境中的无碰撞高效导航。
2024-12-20 cs.RO
A Survey on Socially Aware Robot Navigation: Taxonomy and Future Challenges
LAAS-CNRS, Universite de Toulouse(图卢兹大学LAAS-CNRS);RoboLab, Universidad de Extremadura(埃斯特雷马杜拉大学RoboLab);Aston University(阿斯顿大学);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Universite Grenoble Alpes, Inria(格勒诺布尔阿尔卑斯大学Inria)
本文综述了过去10年社会感知机器人导航研究,提出四种分面分类体系,从多视角梳理研究现状与应用扩展,并总结了当前研究机会和未来可能面临的挑战。
2024-02-22 cs.RO
Towards Data-Driven Metrics for Social Robot Navigation Benchmarking
Aston University(阿斯顿大学);Logical Robotics(逻辑机器人公司);University of California Berkeley(加州大学伯克利分校);TOYOTA Motor North America(丰田北美公司);Princeton University(普林斯顿大学);LAAS-CNRS(LAAS-CNRS研究所);George Mason University(乔治·梅森大学)
致力于开发数据驱动的社交机器人导航指标以促进地面机器人基准测试和策略优化,介绍方法动机、数据集格式等,给出首个全面的学习社交机器人导航指标及相关结果。
2026-07-07 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
Vision-Language Models for Deployable Social Robot Navigation: Bridging Semantic Reasoning and Low-Level Control
Graduate School of Information Science and Technology, Hokkaido University(弘前大学信息科学与技术研究生院);Graduate School of Information Science and Technology, The University of Tokyo(东京大学信息科学与技术研究生院)
本文综述了将视觉-语言模型(VLM)集成到社交机器人导航中的方法,提出包含高层推理、低层控制及中间机制的统一框架,并讨论了关键挑战与未来方向。
2026-06-27 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
NaviSTAR: Socially Aware Robot Navigation with Hybrid Spatio-Temporal Graph Transformer and Preference Learning
Purdue University(普渡大学);Beijing University of Chemical Technology(北京化工大学)
提出 NaviSTAR 社会感知导航基准,通过混合时空图 Transformer、偏好学习与离策略强化学习融合人群多模态信息,并在仿真和真实场景中验证其优于现有方法。
2023-09-26 cs.RO
Socially-Aware Robot Navigation Enhanced by Bidirectional Natural Language Conversations Using Large Language Models
New York University(纽约大学);New York University Abu Dhabi(纽约大学阿布扎比分校);Harvard University(哈佛大学);Tsinghua University(清华大学)
针对传统社会感知导航缺乏真正人机交互的问题,提出融合大语言模型的HSAC-LLM框架,通过双向自然语言交互实现主动避障,在多场景实验中性能优于现有最优DRL方法,推动动态场景人机交互发展。
2025-03-23 cs.RO
A short methodological review on social robot navigation benchmarking
Department of Artificial Intelligence and Robotics, Aston University(人工智能与机器人系,阿斯顿大学);Department of Computer and Communication Technology, Universidad de Extremadura(计算机与通信技术系,埃斯特雷马杜拉大学)
本综述聚焦2020年1月至2025年7月社会机器人导航基准测试趋势,分析了85篇论文,涵盖指标、算法、人类调查及结论推导,旨在填补该领域缺乏统一基准标准的空白。
2025-10-25 cs.RO
GROVE: Grounded Pedestrian Simulation via Natural Language for Interactive Social Robot Navigation
Singapore Management University(新加坡管理大学);Technical University Berlin(柏林工业大学);National University of Singapore(新加坡国立大学)
提出GROVE框架,通过自然语言指令生成逼真且具有社交挑战性的行人仿真场景,结合多种SotA方法模拟长时人类行为、中时行人导航和短时机器人社交交互,缩小仿真到现实的差距。
2026-06-25 cs.RO
G2-Nav: Grounded and Guarded Vision-Language Costmaps for Robot Social Navigation
研究针对机器人社交导航问题,提出G2-Nav框架,将VLM语义推理转化为视觉语言代价地图,经开放集感知评估区域和代理,结合语义验证与高频安全检查,实现非结构化环境下安全、高效且符合社会规范的自主导航。
2026-10-02 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 Dominance Modeling for Socially-Aware Robot Navigation
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Tilburg University(蒂尔堡大学);University of Maryland at College Park(马里兰大学帕克分校)
提出了一种行人优势模型(PDM),用于识别机器人导航中行人的优势特征。通过对行人模拟数据集的感知研究,PDM对具有与轨迹、速度和个人空间相对应的不同运动行为的行人的感知主导水平进行建模。在运行时,我们使用PDM来识别行人的主导地位,以促进社会意识的机器人导航。PDM可以从轨迹中预测优势水平,准确率约为85%。心理学文献中的先前研究表明,当与人类互动时,人们在表现出互补运动行为的人周围更舒适。我们的算法利用这一点,使机器人表现出互补的行人优势的反应。我们还提出了一个应用PDM产生的优势为基础的防撞行为在行人之间的自动驾驶汽车导航。我们证明了我们的算法的机器人在模拟环境中的数十个行人之间导航的好处。
2019-02-13 cs.RO
Metrics vs Surveys: An Analysis for Human-Aligned Benchmarking in Social Robot Navigation
Department of Electronics and Telecommunications, Politecnico di Torino(理工学院电子与电信系);School of Engineering, Pablo de Olavide University(奥尔塔维德大学工程学院)
本研究分析社交机器人导航中数值指标与以人为中心调查的关系,发现现有指标未充分体现主观因素,需开发新指标,为人类对齐基准测试提供参考。
2026-07-31 cs.RO
Socially Consistent Multi-Robot Navigation Using Decoupled Planning and Trajectory Coordination
研究多机器人在人类环境中的导航,通过解耦规划与轨迹协调,改进A*规划器嵌入社会规范构建社会图,转化轨迹协调为凸规划,实现可预测、符合社会规范的路径规划,简化多机器人协调。
2026-08-24 cs.RO
SocialNav-SUB: Benchmarking VLMs for Scene Understanding in Social Robot Navigation
Department of Computer Science, The University of Texas at Austin(德克萨斯大学计算机科学系);Army Research Laboratory(陆军研究实验室);Sony AI(索尼人工智能)
提出SocialNav-SUB基准,用于评估视觉语言模型在社交机器人导航场景中的空间、时空和社交推理能力,发现当前VLM虽表现尚可,但仍不及规则方法和人类基线。
2025-09-10 cs.CV cs.RO
Towards Socially Compliant Navigation in Deep Reinforcement Learning via Proxemics-Based Reward Modeling
该研究针对DRL社会导航中社会合规目标不足的问题,提出基于近体学的奖励建模方法,经模拟验证可提升社会指标且保持导航性能。
2026-08-14 cs.LG cs.RO
Logic-Guided Socially-aware Robot Navigation World Model
School of Applied and Creative Computing, Purdue University(应用与创意计算学院,普渡大学);Department of Computer Science, Purdue University(计算机科学系,普渡大学);Department of Applied Artificial Intelligence, Sungkyunkwan University(应用人工智能系,成均馆大学);Department of Computer Science and Department of Intelligent Systems Engineering, Indiana University Bloomington(计算机科学系和智能系统工程系,印第安纳大学布卢明顿分校)
提出NaviWM,通过结合结构化世界模型和逻辑驱动推理链,增强大语言模型在动态人类空间中生成社交合规且物理安全的导航决策的能力。
2026-07-21 cs.RO
Learning Social Robot Navigation By Sensing Human Legs
University of Siena(锡耶纳大学);Uninettuno University(意大利 uniNettuno 大学)
本文提出CALF架构,结合卷积、注意力和MLP从激光雷达解读腿部运动,在LegNav模拟器中训练后,经TurtleBot 4零样本部署验证,实现了平滑合规的社交机器人导航。
2026-07-31 cs.RO
Assessing Human Cooperation for Enhancing Social Robot Navigation
LAAS-CNRS(法国图卢兹大学);Universite de Toulouse(图卢兹大学)
针对正面交叉场景中机器人与人类因意图不明导致的导航困难,本文提出基于情境几何分析的人类合作性评估方法与指标,并据此生成适时沟通和机器人动作。
2025-08-29 cs.RO
Efficient and Trustworthy Social Navigation Via Explicit and Implicit Robot-Human Communication
Waymo LLC(Waymo有限责任公司);Stanford University(斯坦福大学)
在本文中,我们提出了一个规划框架,使用隐式(机器人运动)和显式(视觉/音频/触觉反馈)在移动机器人导航通信的组合。首先,我们开发了一个模型,近似连续的运动和离散的行为模式,在人类导航,考虑到人类决策的影响,隐式和显式通信。该模型将人类近似为最佳代理,通过逆强化学习获得奖励函数。其次,规划者使用这个模型来生成最大化机器人的透明度和效率的交流动作。我们实现了移动机器人上的规划,使用可穿戴式触觉设备进行显式通信。在一个室内人-机器人对正交交叉情况的用户研究中,机器人能够主动向用户传达其意图,以避免碰撞并促进有效的轨迹。结果表明,规划器生成的计划更容易理解,减少用户的努力,并增加用户的机器人的信任,相比简单地执行碰撞避免。这项工作的主要贡献是整合和分析显式通信(连同隐式通信)的社会导航。
2020-02-24 cs.RO
Watch out! There may be a Human. Addressing Invisible Humans in Social Navigation
LAAS-CNRS(法国国家科学研究中心自动化与系统分析实验室);Universite de Toulouse(图卢兹大学);CNRS(法国国家科学研究中心)
当前的人类感知或社交机器人导航方法解决了机器人可见的人类。然而,解决人类可能出现的紧急情况也很重要,以避免对人类的冲击或惊喜以及机器人规划者的不稳定行为。在本文中,我们提出了一种新的方法来检测和解决这些人的紧急情况称为“看不见的人”。我们确定一个人,目前看不到的机器人,可以突然出现的地方,然后调整机器人的路径和速度与潜在的碰撞的预期。这是在仍然考虑和适应机器人视野中存在的人类的同时完成的。我们还展示了如何利用这种检测来识别和解决门口或狭窄的通道。最后,所提出的方法的有效性,通过几个模拟和真实世界的实验。
2022-11-22 cs.RO
Enhancing Lightweight Vision Language Models through Group Competitive Learning for Socially Compliant Navigation
Hokkaido University(北海道大学);The University of Tokyo(东京大学)
本文提出群体竞争学习策略,通过协调全局语义与分布正则化,提升轻量级VLMs在社交导航中的推理与决策能力,实现高准确性和高效性。
2026-03-12 cs.RO
Real-time Recognition of Human Interactions from a Single RGB-D Camera for Socially-Aware Robot Navigation
提出一种利用RGB-D摄像头实时识别群体交互的框架,通过3D关键点、PCA和鞋带公式实现社交感知导航,处理速度约4毫秒每帧,并已集成于ROS 2。
2025-10-17 cs.RO
Social Robot Navigation with Adaptive Proxemics Based on Emotions
Istanbul Technical University(伊斯坦布尔理工大学);Karabuk University(卡拉比克大学);Galatasaray University(加拉塔萨雷大学)
本研究提出一种基于人类情绪的自适应空间距离社交机器人导航框架,通过模拟实验和70人调研验证,情绪整合可显著提升人类安全与舒适度,愤怒时需增大导航距离,开心时不宜缩短距离。
2024-02-02 cs.RO
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
SOCIALGYM 2.0: Simulator for Multi-Agent Social Robot Navigation in Shared Human Spaces
University of Texas, Austin(德克萨斯大学奥斯汀分校)
我们提出SocialGym 2,多智能体导航模拟器的社会机器人研究。我们的模拟器模拟多个自主智能体,在复杂的环境中复制真实世界的动态,包括门口,走廊,十字路口和环形交叉口。与传统的模拟器不同,SocialGym 2采用多智能体强化学习(MARL)来为复杂环境中具有不同动态约束的多个机器人制定最佳导航策略。SocialGym 2基于PettingZoo MARL库和Stable Baselines3 API构建,提供了一个可访问的Python接口,通过ROS消息传递与导航堆栈集成。SocialGym 2可以很容易地安装并打包在Docker容器中,它提供了交换和评估不同MARL算法的能力,以及自定义观察和奖励功能。我们还提供脚本,允许用户创建自己的环境,并使用各种社交导航算法进行基准测试,报告广泛的社交导航指标。预计托管于:https://amrl.cs.utexas.edu/social_gym/index.html
2023-03-09 cs.AI cs.MA cs.RO
Robot Gaze During Autonomous Navigation and its Effect on Social Presence
Monash University(莫纳什大学);Deakin University(迪肯大学);University of Victoria(维多利亚大学)
本研究探讨了自主导航中机器人注视行为对人类社交存在感的影响,通过现实和在线实验测试了面向路径和面向人的注视行为,发现偏好的注视方式取决于具体场景,交叉通行时面向人的注视更受偏好。
2023-05-10 cs.RO
Feedback-efficient Active Preference Learning for Socially Aware Robot Navigation
Purdue University(普渡大学);Beijing University of Chemical Technology(北京化工大学)
具有社会意识的机器人导航,其中机器人需要优化其轨迹,以保持舒适和兼容的空间与人类的互动,除了达到其目标,没有碰撞,是一个基本的,但具有挑战性的任务,在人机交互的背景下。虽然现有的基于学习的方法比之前的基于模型的方法取得了更好的性能,但它们仍然存在缺点:强化学习依赖于手工制作的奖励,不太可能有效地量化广泛的社会遵从性,并可能导致奖励剥削问题;同时,反向强化学习需要昂贵的人类演示。在本文中,我们提出了一个反馈有效的主动偏好学习方法,FAPL,提取人类的舒适度和期望到一个奖励模型,以指导机器人代理探索潜在的方面的社会遵守。我们进一步引入混合经验学习,以提高人类的反馈和样本的效率,并通过广泛的仿真实验和用户研究(N=10)采用物理机器人与人类主体在现实世界的场景中导航从FAPL学习的机器人行为的好处进行评估。有关这项工作的源代码和实验视频,请访问:https://sites.google.com/view/san-fapl。
2022-07-31 cs.RO
A Study on Learning Social Robot Navigation with Multimodal Perception
George Mason University(乔治梅森大学)
本文基于大规模真实世界数据集,系统研究了多模态感知在社交机器人导航学习中的作用,在全局与局部规划层面对比单模态、多模态及经典导航方法,并通过人类研究证明多模态学习在社会合规性上具有明显优势。
2023-09-22 cs.AI cs.RO
Probing Prompt Design for Socially Compliant Robot Navigation with Vision Language Models
Hokkaido University(北海道大学);The University of Tokyo(东京大学)
本文通过设计社交合规的提示策略,提升小型视觉语言模型在机器人导航中的行动准确性,发现与自我竞争的提示设计效果最佳。
2026-01-21 cs.RO
Autonomous social robot navigation in unknown urban environments using semantic segmentation
Monash University(莫纳什大学)
对于在城市环境中导航的自主机器人,重要的是机器人保持在指定的行进路径上(即,人行道),并避免区域,如草地和花园床,为安全和社会的一致性考虑。提出了一种结合语义分割和LiDAR数据的城市未知环境自主导航方法。所提出的方法使用分割的图像掩模来创建环境的3D障碍图,从该障碍图中计算人行道的边界。与现有方法相比,我们的方法不需要预先构建的地图,并提供了对安全旅行区域的3D理解,使机器人能够规划通过人行道的任何路径。将我们的方法与仅使用LiDAR或仅使用语义分割的两种替代方案进行比较的实验表明,总体而言,我们提出的方法在室外的成功率超过91%,室内的成功率超过66%。我们的方法使机器人能够始终保持在安全的行驶路径上,并减少了碰撞次数。
2022-09-12 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
SAATT Nav: a Socially Aware Autonomous Transparent Transportation Navigation Framework for Wheelchairs
Edwardson School of Industrial Engineering, Purdue University(帕克大学工业工程学院);Weldon School of Biomedical Engineering, Purdue University(帕克大学生物医学工程学院)
本文提出SAATT导航框架,通过整合大语言模型实现社交感知与决策透明,提升轮椅用户的导航安全性与信任度。
2026-03-18 cs.AI cs.RO
Social Zone as a Barrier Function for Socially-Compliant Robot Navigation
University of Michigan(密歇根大学)
本研究利用ATC数据集提取人类轨迹中的最小社交区域,并通过障碍函数将其集成到机器人导航系统中,使机器人能够安全高效地模仿类人导航策略在以人为中心的环境中运行。
2024-10-11 cs.RO cs.SY eess.SY
The Socially Invisible Robot: Navigation in the Social World using Robot Entitativity
我们提出了一个实时的,数据驱动的算法,以提高人群中的机器人的社会隐形。我们的方法是基于先前的心理学研究,它揭示了人们注意到-重要的是-当他们具有高实体性时,对社会行为者群体做出负面反应,在一个具有相似外观和轨迹的紧密群体中移动。为了评估这种行为,我们进行了用户研究,以开发导航算法,最大限度地减少实体性。这项研究建立了情绪反应和多机器人轨迹和外观之间的映射,并进一步概括了各种环境条件下的发现。我们证明了我们的实体建模的轨迹计算的适用性,在模拟的机器人-人交互场景中的主动监视和动态干预。我们的方法经验表明,不同级别的实体机器人可以用来避免和影响行人,而不会引起强烈的情绪反应,给多机器人系统社会隐形。
2018-07-18 cs.HC 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
ProxEmo: Gait-based Emotion Learning and Multi-view Proxemic Fusion for Socially-Aware Robot Navigation
University of Maryland, College Park(马里兰大学帕克分校)
我们提出了ProxEmo,一种新的端到端的情感预测算法,用于行人之间的社会意识机器人导航。我们的方法预测感知的情绪行人步行步态,然后用于情感引导导航,同时考虑到社会和情绪的限制。为了对情绪进行分类,我们提出了一种基于多视图骨架图卷积的模型,该模型适用于安装在移动机器人上的商品相机。我们的情感识别集成到一个无地图导航方案,并没有假设行人运动的环境。在步态基准测试数据集上,该算法的平均情感预测精度达到82.47%。我们优于当前最先进的算法,用于从3D步态进行情感识别。我们强调它的好处,在室内场景中使用Clearpath豺狼机器人导航。
2020-07-28 cs.AI cs.HC cs.RO
Social-LLaVA: Enhancing Robot Navigation through Human-Language Reasoning in Social Spaces
George Mason University(乔治梅森大学);University of Maryland, College Park(马里兰大学学院公园分校)
针对社交机器人导航中感知到合规动作转化的推理缺口,研究构建了含4万条标注的SNEI视觉语言数据集,微调得到Social-LLaVA模型,其表现优于GPT-4V等先进模型,部署后可助力机器人实现类人社交导航推理。
2024-12-30 cs.CV cs.HC 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
Transformable Gaussian Reward Function for Socially-Aware Navigation with Deep Reinforcement Learning
Kyung Hee University(庆熙大学)
针对社会感知导航中奖励函数设计困难的问题,本文提出可变换高斯奖励函数(TGRF),以降低超参数调优负担、提升适应性并加速深度强化学习在拥挤环境中的学习效率。
2024-06-06 cs.AI cs.RO
ViLAM: Distilling Vision-Language Reasoning into Attention Maps for Social Robot Navigation
Dept. of Electrical and Computer Engineering, University of Maryland, College Park, MD, USA(电气与计算机工程系,马里兰大学,College Park, MD, USA);Dept. of Computer Science, University of Maryland, College Park, MD, USA(计算机科学系,马里兰大学,College Park, MD, USA);James Clark School of Engineering, University of Maryland, College Park, MD, USA(James Clark工程学院,马里兰大学,College Park, MD, USA)
ViLAM通过蒸馏视觉-语言模型的注意力图,提升社交机器人导航的社会适应性与导航效率。
2026-03-06 cs.AI cs.RO
Perspective-Shifted Neuro-Symbolic World Models: A Framework for Socially-Aware Robot Navigation
Institute for Systems and Robotics, Instituto Superior Técnico, Universidade de Lisboa(系统机器人研究所,理工学院,里斯本大学);LAAS-CNRS, Artificial and Natural Intelligence Toulouse Institute (ANITI)(LAAS-CNRS,图卢兹人工智能研究所(ANITI))
针对社会导航中需推理他人隐藏信念的部分可观测决策难题,提出结合神经符号基于模型强化学习架构与基于IBA的视角转换算子的社会感知机器人导航框架。
2025-09-02 cs.AI cs.RO
HumAIN: Human-Aware Implicit Social Robot Navigation
Ewha Womans University(梨花女子大学);George Mason University(乔治梅森大学);University of Virginia(弗吉尼亚大学);Tufts University(塔夫茨大学);Semio(Semio公司);Hokkaido University(北海道大学)
研究提出HumAIN框架,通过知识蒸馏将隐式社交线索融入机器人导航规划。利用基于Transformer的教师模型学习强大表示,蒸馏到轻量级学生模型。实验表明该方法能有效提升轨迹预测指标,在资源受限平台实现类人导航意识。
2026-07-09 cs.AI cs.RO