Principles and Guidelines for Evaluating Social Robot Navigation Algorithms
Logical Robotics（逻辑机器人公司）；NVIDIA（英伟达）；Stanford（斯坦福大学）；Google（谷歌）；EPFL（洛桑联邦理工学院）；Purdue（普渡大学）；CMU（卡内基梅隆大学）；UT Austin（德克萨斯大学奥斯汀分校）；MIT（麻省理工学院）；Northeastern（东北大学）；Georgia Tech（佐治亚理工学院）；Aston（阿斯顿大学）；Bar Ilan（巴伊兰大学）；Adobe（奥多比公司）；LAAS-CNRS, Université de Toulouse（图卢兹大学系统分析与体系结构实验室（法国国家科学研究中心））；Sony AI（索尼人工智能研究院）；Honda（本田公司）；Yale（耶鲁大学）；GMU（乔治梅森大学）；Apple（苹果公司）
本文提出了评估社交机器人导航算法的原则与指南，包括社交导航机器人的定义、评估指标与场景开发指南，以及统一的指标框架，以促进不同模拟器、机器人和数据集之间的公平比较。
2023-09-19 cs.AI cs.HC cs.LG
Human-Robot Cooperative Distribution Coupling for Hamiltonian-Constrained Social Navigation
Purdue University（普渡大学）；Tsinghua University（清华大学）
本文提出NaviDIFF框架，结合端口哈密顿建模与扩散模型处理人机协同不确定性，并通过时空Transformer和人类反馈强化学习实现高效稳定的社交导航。
2025-03-07 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
Human-robot Collaborative Navigation Search using Social Reward Sources
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（机器人与工业信息研究所（CSIC-UPC））
提出了一种用于人机协同导航任务--人机协同搜索的社会奖励源（SRS）设计。它是一种灵活的方法，能够处理协作任务，人机交互和环境限制，所有这些都集成在一个共同的环境中。我们根据未探索区域的可观察性和隔离度对任务奖励进行建模，并通过不同级别的人机通信对模型进行评估。通过对代理人的个人表现和参与者的感知定性调查的定量评价，验证了模型。之后，使用先前的度量将三个建议的通信级别相互比较。
2019-09-10 cs.RO
SocRATES: Towards Automated Scenario-based Testing of Social Navigation Algorithms
National University of Singapore（新加坡国立大学）；Smart Systems Institute, NUS（新加坡国立大学智能系统研究所）
本文提出SocRATES流水线，利用大语言模型自动生成适合上下文与位置的社会导航仿真场景，并通过实验和案例研究验证其能生成逼真场景、改善场景转换并支持对导航算法的可控评估。
2024-12-27 cs.AI cs.RO
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
From Obstacles to Etiquette: Robot Social Navigation with VLM-Informed Path Selection
School of Computing（计算机学院）；Smart Systems Institute（智能系统研究所）
本文提出了一种结合几何规划与上下文社交推理的机器人社交导航框架，通过VLM模型优化路径选择，以减少对人类活动的干扰并遵守社会规范。
2026-02-09 cs.AI cs.RO
From Learning to Relearning: A Framework for Diminishing Bias in Social Robot Navigation
University of Freiburg（弗莱堡大学）
机器人技术和机器学习的指数级增长正在促进机器人从局限于受控工业空间到在家庭和城市环境中执行新的日常任务的转变。为了使机器人的存在对人类来说既安全又舒适，并促进它们在公共环境中的接受，它们通常配备有导航和互动的社交能力。社会兼容的机器人导航越来越多地从人类的观察或演示中学习。我们认为，这些技术，通常旨在模仿人类行为并不能保证公平的行为。因此，社会导航模式可以复制，促进和放大社会不公平，如歧视和隔离。在这项工作中，我们研究了一个框架，减少社会机器人导航模型的偏见，使机器人配备的能力，规划以及适应他们的路径的基础上，物理和社会的需求。我们提出的框架包括两个组成部分：\textit{learning}，它将社会背景纳入学习过程中，以考虑安全性和舒适性，以及\textit{relearning}，以检测和纠正潜在的有害结果发病前。我们提供了技术和社会分析，使用三个不同的案例研究，在不同的社会场景的互动。此外，我们提出了在社会环境中部署机器人的伦理影响，并提出了潜在的解决方案。通过这项研究，我们强调了人类与机器人互动的重要性，并倡导公平，以促进更公平的社会关系，角色和动态，从而对我们的社会产生积极的影响。
2021-03-03 cs.CV cs.LG cs.RO
Towards Dialogue-based Navigation with Multivariate Adaptation driven by Intention and Politeness for Social Robots
University of Hamburg（汉堡大学）；SoftBank Robotics Europe（软银机器人欧洲公司）
服务机器人需要表现出适当的社会行为，以便部署在医疗保健，教育，零售等社会环境中，机器人应该具有的一些主要功能是导航和会话技能。如果这个人不耐烦，他可能希望机器人导航得更快，反之亦然。表明礼貌的语言特征可以提供有关一个人的耐心和不耐烦行为的社会线索。本文提出的新颖之处是动态地将礼貌的机器人对话系统导航。理解用户言语中的礼貌可以用来调节机器人的行为和反应。因此，我们开发了一个对话系统，在室内环境中导航，产生不同的机器人的行为和反应的基础上用户的意图和礼貌程度。我们部署和测试我们的系统与胡椒机器人，适应用户的礼貌的变化。
2018-11-14 cs.AI cs.CL cs.RO
SINRL: Socially Integrated Navigation with Reinforcement Learning using Spiking Neural Networks
FZI Research Center for Information Technology（FZI信息技术研究所以）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
SINRL通过结合脉冲神经网络和人工神经网络，实现高效的社会集成导航，显著降低能耗并提升导航性能。
2025-12-08 cs.AI cs.RO cs.SY
A Protocol for Validating Social Navigation Policies
Robotics at Google（谷歌机器人部门）；Everyday Robots, Alphabet（Alphabet旗下Everyday Robots公司）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Hoku Labs（Hoku实验室）；Apple ML Research（苹果机器学习研究院）
使社会上可接受的行为，位于代理是最近的机器人研究的一个主要目标。机器人不仅要在人类周围安全运行，还要遵守复杂的社会规范。制定符合社会要求的政策的一个关键挑战是衡量他们的行为质量。社会行为非常复杂，因此很难创建可靠的指标来衡量算法的性能。在本文中，我们提出了一个社会导航基准测试协议，定义了一组规范的社会导航的情况下，并在这些情况下使用问卷调查的性能进行评估的原位指标。我们的实验表明，该协议是现实的，可扩展的，可重复的运行和物理空间。我们的协议可以逐字复制，也可以用于定义新场景的社交导航基准。我们的目标是引入一个协议，用于基准社会场景是同质的和可比的。
2022-04-30 cs.HC cs.RO
The Robotability Score: Enabling Harmonious Robot Navigation on Urban Streets
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技校区）；Jacobs Technion-Cornell Institute（雅各布斯以色列理工-康奈尔学院）
本文提出机器人适应性评分（$R$）量化城市环境对自主机器人导航的适用性，通过专家调研确定关键因素并在纽约市验证，为和谐人机环境提供评估框架。
2025-04-15 cs.HC cs.RO
End-to-End Safe Social Navigation via Multi-Task Reinforcement Learning and Probabilistic Perception
Università di Siena（锡耶纳大学）；Uninettuno University（尤尼内图诺大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
本文提出JESSI，一种端到端多任务强化学习框架，直接利用LiDAR进行安全社交导航，通过概率感知与Dirichlet动作空间提升安全性与社交行为，并在仿真和实际中验证其优于现有基线。
2026-10-07 cs.HC cs.RO
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
SOCIALGYM: A Framework for Benchmarking Social Robot Navigation
University of Texas（德克萨斯大学）
机器人在动态的人类环境中安全地移动，并以符合社会要求的方式移动，是机器人长期自主的重要基准。然而，完全在现实世界中学习和基准测试社交导航行为是不可行的，因为学习是数据密集型的，并且在训练期间做出安全保证具有挑战性。因此，需要基于模拟的基准测试，为社会导航提供抽象。这些基准的框架需要支持各种各样的学习方法，可扩展到广泛的社交导航场景，并抽象出感知问题，以明确地关注社交导航。虽然已经提出了许多解决方案，包括高保真3D模拟器和网格世界近似，但没有现有的解决方案满足所有上述用于学习和评估社交导航行为的属性。在这项工作中，我们提出了SOCIALGYM，一个轻量级的2D仿真环境，机器人社会导航设计的可扩展性，并建立在SOCIALGYM的基准场景。此外，我们提出了基准测试结果，比较和对比人类工程和基于模型的学习方法，一套现成的示教学习（LfD）和强化学习（RL）方法应用于社会机器人导航。这些结果表明，数据效率，任务性能，社会合规性和环境转移能力的评估，为未来的社会导航研究提供了坚实的基础。
2022-08-01 cs.RO
SEAN: Social Environment for Autonomous Navigation
Yale University（耶鲁大学）；Rutgers University（罗格斯大学）
社会导航研究是在各种机器人平台，场景和环境中进行的。由于构建这些系统所涉及的工作以及社区使用的平台的多样性，因此在导航算法之间进行比较具有挑战性;尽管如此，评估对于了解该领域的进展至关重要。在社会导航算法的可再生评估的一步，我们提出了社会环境自主导航（SEAN）。SEAN是一个高视觉保真度，开源和可扩展的社交导航仿真平台，其中包括用于评估导航算法的工具包。我们展示了SEAN和它的评估工具包在两个环境中与动态行人和使用两种不同的机器人。
2020-09-09 cs.RO
Multi-Mobile Robot Localization and Navigation based on Visible Light Positioning
South China University of Technology（华南理工大学）
我们展示了基于可见光定位（VLP）定位的多移动机器人导航。实验结果表明，该方法能够准确地定位机器人的位置。
2022-11-01 cs.RO
Incorporating Gaze into Social Navigation
目前，大多数社交导航方法都关注参与者在互动中的轨迹和位置。我们目前的工作重点是将目光整合到社交导航中，既要提示附近的行人机器人的预期轨迹，又要使机器人能够读取附近行人的意图。本文记录了一系列的实验，在我们的实验室调查的作用，凝视在社会导航。
2021-07-10 cs.RO
Learning a Group-Aware Policy for Robot Navigation
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins University Applied Physics Lab（约翰斯·霍普金斯大学应用物理实验室）；UC Berkeley（加州大学伯克利分校）
具有人类感知能力的机器人导航技术具有广泛的应用前景，在这些应用中，移动机器人可以为人类环境中的人们提供多方面的帮助。虽然先前的研究主要集中在将行人建模为独立的、有意图的个体，但人们是以群体的方式移动的;因此，移动机器人在人们周围导航时必须尊重人类群体。本文探讨了使用深度强化学习基于动态组形成的学习组感知导航策略。通过模拟实验，我们表明，与忽略人类群体的基线策略相比，群体感知策略实现了更好的机器人导航性能（例如，减少碰撞），最大限度地减少违反社会规范和不适，并减少机器人对行人的运动影响。我们的研究结果有助于社会导航和移动机器人融入人类环境的发展。
2022-07-29 cs.HC cs.LG cs.RO
Conflict Avoidance in Social Navigation -- a Survey
机器人技术的一个主要目标是使智能移动机器人能够在共享的人机环境中顺利运行。服务于这一目标的最基本能力之一是在这一"社会”背景下的胜任导航。因此，最近出现了一股关于社会导航的研究热潮;特别是当它涉及到社会导航过程中代理之间的冲突处理时。这些发展引入了各种模型和算法，但是由于该研究领域本质上是跨学科的，因此许多相关论文不具有可比性，并且没有共享的标准词汇。本调查旨在通过引入这样一种共同语言来弥合这一差距，用它来调查现有的工作，并突出开放的问题。它首先将这项调查的范围界定为一种有限但非常常见的社会导航类型--冲突避免。在这个建议的范围内，本调查介绍了一个详细的分类冲突避免组件。本调查然后映射现有的工作到这个分类法，同时讨论使用其框架的论文。最后，本文提出了一些未来的研究方向和开放的问题，目前在社会导航的前沿，以帮助正在进行的和未来的研究。
2022-12-28 cs.AI cs.HC cs.RO
HuNavSim: A ROS 2 Human Navigation Simulator for Benchmarking Human-Aware Robot Navigation
Pablo de Olavide University（巴勃罗·德·奥拉维德大学）
本文提出首个基于 ROS 2 的开源人类导航仿真器 HuNavSim，提供丰富逼真的人类导航行为和完整的社会导航基准测试指标，旨在简化人类感知机器人导航系统的开发与评估。
2023-09-13 cs.RO
Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation
Northeastern University（东北大学）；Institute for Experiential Robotics（体验机器人研究所）
提出无机器人的数据收集范式UNI，利用助行器和手机收集物理约束演示，训练轮式导航模型，降低轨迹误差并实现闭环迁移。
2026-09-29 cs.RO
Can Causal Models Enhance Robot Navigation? Online Causal Adaptation for Real-Robot Navigation
Chalmers University of Technology（查尔姆斯理工大学）
研究因果模型在真实机器人导航中的迁移问题，提出离线评估和在线自适应两种应用方式，实验表明因果模型在复杂场景下能显著提升导航性能。
2026-06-16 cs.RO
Toward Human-Like Social Robot Navigation: A Large-Scale, Multi-Modal, Social Human Navigation Dataset
George Mason University（乔治梅森大学）
本文提出利用人类自然公共空间导航数据训练机器人社交导航能力，设计可穿戴第一人称多模态采集套件，构建了约100公里、20小时、300次试验的大规模数据集，并分析其可用性与未来研究方向。
2023-08-09 cs.RO
VLM-Social-Nav: Socially Aware Robot Navigation through Scoring using Vision-Language Models
George Mason University（乔治梅森大学）；University of Maryland（马里兰大学）
该研究提出VLM-Social-Nav方法，基于视觉-语言模型（VLM）评分模块计算成本项，辅助规划器生成社交合规机器人动作，减少对大型数据集的依赖并提升适应性，在真实场景中平均成功率提升超27%、碰撞率降低超19%。
2024-11-25 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
Obtaining Robust Control and Navigation Policies for Multi-Robot Navigation via Deep Reinforcement Learning
Fraunhofer IML（弗劳恩霍夫物流研究院）；Westfälische Hochschule Gelsenkirchen（盖尔森基兴威斯特伐利亚应用科学大学）
多机器人导航是一个具有挑战性的任务，其中多个机器人必须同时协调动态环境中。我们应用深度强化学习（DRL）来学习一种分散的端到端策略，该策略将原始传感器数据映射到代理的命令速度。为了使策略能够泛化，在不同的环境和场景中执行训练。在常见的多机器人场景中，如切换一个地方，一个十字路口和一个瓶颈的情况下，学习的政策进行测试和评估。此策略允许代理从死胡同中恢复并在复杂环境中导航。
2022-09-07 cs.RO
A Deep Learning Approach To Multi-Context Socially-Aware Navigation
University of Nevada, Las Vegas（内华达大学拉斯维加斯分校）；University of Nevada, Reno（内华达大学里诺分校）
我们提出了一个上下文分类管道，允许机器人根据观察到的社会场景改变其导航策略。社交感知导航考虑社交行为，以改善人们周围的导航。大多数现有的研究使用不同的技术，将社会规范到机器人路径规划的一个单一的上下文。适用于走廊行为的方法可能不适用于接近人，等等。我们开发了一个高级决策子系统，一个基于模型的上下文分类器，和一个基于多目标优化的本地规划器，以实现自主感知上下文的社会感知轨迹。使用上下文分类系统，机器人可以选择社会目标，稍后由基于帕累托凹消除变换（PaCcET）的本地规划器使用，以生成安全，舒适和社会适当的轨迹。这是在多个环境中的先锋移动机器人平台上进行了测试和验证，结果表明，机器人能够自主选择和解释与导航相关的社会目标。
2021-04-20 cs.RO
Learning Navigation Skills for Legged Robots with Learned Robot Embeddings
Georgia Institute of Technology（佐治亚理工学院）；Facebook AI Research（Facebook人工智能研究院）
最近的工作已经显示出在模拟中学习理想化圆柱体代理的导航策略并将其转移到真正的轮式机器人上的结果。在足式机器人上部署这样的导航策略可能是具有挑战性的，因为它们的复杂动力学，以及圆柱代理和腿式系统之间的大的动力学差异。在这项工作中，我们学习分层导航政策，占低层次的动态足式机器人，如最大速度，滑动，接触，并学会成功地导航杂乱的室内环境。为了将在模拟中学习的策略转移到新的足式机器人和硬件上，我们学习了具有机器人特定嵌入的多个机器人之间的动态感知导航策略。学习的嵌入在新机器人上进行优化，而策略的其余部分保持固定，允许快速适应。我们在模拟中对三个足式机器人进行策略训练--两个四足机器人（A1，AlienGo）和一个六足机器人（Daisy）。在测试时，我们研究了我们的学习策略的性能在两个新的足式机器人在模拟（莱卡戈，4腿雏菊），和一个现实世界的四足机器人（A1）。我们的实验表明，我们的学习策略可以样本有效地推广到以前看不见的机器人，并使足式机器人的导航策略的仿真到现实迁移。
2021-09-13 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
Online Robot Navigation and Manipulation with Distilled Vision-Language Models
针对动态未知环境下机器人导航存在的未知物体识别难、复杂场景通行受限等问题，提出结合零样本开放世界分割、无标签可通行空间蒸馏及边缘轻量裁剪的完整框架，在场景感知与导航的精度和效率上均实现提升。
2024-05-12 cs.RO
Learning Early Social Maneuvers for Enhanced Social Navigation
Bogazici University（博阿齐奇大学）
本文提出一种仅使用原始传感数据并考虑行人未来路径的示范学习社会导航框架，以减少人机共处焦虑并提升社会合规性。
2024-05-02 cs.RO
Towards S-NAMO: Socially-aware Navigation Among Movable Obstacles
CITI Lab（CITI实验室）；INRIA Chroma（法国国家信息与自动化研究所Chroma）；INSA Lyon（里昂国立应用科学学院）；CPE Lyon（里昂中央理工学院）；Université de Lyon（里昂大学）
在本文中，我们提出了一个深入的分析，在移动障碍物（NAMO）的文献导航，特别是强调社会的可接受性仍然是一个未解决的问题，在这个机器人导航领域。社会意识NAMO的目标的定义和第一套算法的主张是建立在现有的工作。我们开发了一个模拟器，允许测试我们的命题的社会可移动性评估障碍物的选择，和社会放置的对象与语义地图层。在我们的参与下（LyonTech团队），我们使用Pepper机器人进行了初步的推球测试，Pepper机器人是Robocup@home社交标准平台联盟的标准平台。
2019-09-24 cs.RO
E-SocialNav: Efficient Socially Compliant Navigation with Language Models
Hokkaido University（北海道大学）；George Mason University（乔治·马歇尔大学）；The University of Tokyo（东京大学）
本文提出E-SocialNav，通过两阶段训练流程实现高效社交合规导航，验证了GPT-4o和Claude在机器人导航中的社交合规性，并在文本语义和动作准确性上优于零样本基线。
2026-03-21 cs.RO
Sensor Network Based Collision-Free Navigation and Map Building for Mobile Robots
机器人安全导航是包括地面移动机器人和飞行机器人在内的自主机器人的基础研究领域。安全机器人导航算法的主要目标是引导自主机器人从其初始位置到目标或沿着期望的路径避开障碍物。随着信息技术和传感器技术的发展，机器人技术与传感器网络相结合的实现成为近年来研究的热点。其中一个相关的实现是基于传感器网络的机器人导航。此外，机器人的另一个重要导航问题是安全区域搜索和地图构建。本文首先提出了一种动态环境下地面移动机器人全局无碰撞路径规划算法。考虑到传感器网络的优势，将所提出的路径规划算法发展为基于传感器网络的地面移动机器人导航算法。该方法采用二维测距传感器网络对静态和动态障碍物进行检测。该传感器网络可以引导探测到的安全区域内的各个地面移动机器人到达目标。此外，所提出的导航算法扩展到三维环境。该算法利用传感器网络的测量数据，将工作空间中的任意飞行机器人从初始位置导航到目标位置。此外，本文还研究了地面移动机器人的另一个导航问题--安全区域搜索和地图构建，并提出了两种算法。在第一种方法中，我们考虑地面移动机器人配备了一个二维测距传感器搜索有界的二维区域没有任何碰撞，并建立一个完整的二维地图的区域。此外，第一个提出的地图创建算法扩展到另一种算法的三维地图创建。
2017-09-02 cs.RO
Designing Privacy-Preserving Visual Perception for Robot Navigation Based on User Privacy Preferences
本文提出以用户为中心的隐私保护视觉感知设计方法，通过用户研究发现用户偏好隐私保护的视觉抽象和低分辨率保存机制，并据此制定可配置的隐私政策。
2026-07-01 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
Real-Time Navigation for Bipedal Robots in Dynamic Environments
Ohio State University（俄亥俄州立大学）；Ottonomy Inc.（Ottonomy公司）
移动机器人的普及一直在稳步增长，这些机器人越来越多地被用来执行以前由人类工人完成的任务。为了让双足机器人也能取得同样的成功，需要开发出强大的自主导航系统，能够实时的【形】执行并对动态环境做出响应。这些系统可以分为三个阶段：感知、规划和控制。双足机器人的整体导航框架必须成功地整合自主导航问题的所有三个组成部分，以实现强大的现实世界的导航。在本文中，我们提出了一个实时的【形】导航框架，在动态环境中的双足机器人。该系统解决了导航问题的所有组成部分：我们引入了一个基于深度的感知系统，用于障碍物检测，映射和定位。一个两阶段的规划器被开发来生成对未知和动态环境鲁棒的无碰撞轨迹。并在Digit双足机器人的步行步态控制器上执行轨迹。通过一系列包含未知环境和动态障碍物的仿真和硬件实验，验证了导航框架。
2022-10-07 cs.RO
Autonomous Navigation with Mobile Robots using Deep Learning and the Robot Operating System
Imperial College London（帝国理工学院）；AIOZ Ltd.（AIOZ有限公司）
自主导航是机器人研究的一个长期领域，它为移动机器人提供了一种基本的能力，使其能够在人类日常执行的相同环境中执行一系列任务。在本章中，我们提出了一套算法，训练和部署深度网络的自主导航的移动机器人使用机器人操作系统（ROS）。我们描述了解决这个问题的三个主要步骤：i）使用ROS和Gazebo在模拟环境中收集数据; ii）设计用于自主导航的深度网络; iii）在模拟和现实世界中的移动机器人上部署学习策略。从理论上讲，我们提出了深度学习架构，用于在正常环境中进行鲁棒导航（例如，人造房屋、道路）和复杂环境（例如，倒塌的城市或天然洞穴）。我们进一步表明，使用视觉模态，如RGB，激光雷达和点云是必不可少的，以提高移动机器人的自主性。我们的项目网站和演示视频可以在https://sites.google.com/site/autonomousnavigationros上找到。
2020-12-07 cs.RO
Enhancing Robot Navigation Efficiency Using Cellular Automata with Active Cells
Jadara University（贾达拉大学）；Xiamen University Malaysia（厦门大学马来西亚分校）；Wrexham University（雷克瑟姆大学）；University of South Wales（南威尔士大学）
本文提出一种基于具有活动细胞的元胞自动机内部导航系统，通过嵌入式地图、六边形镶嵌和距离控制模块，提升单机器人及多机器人在干扰和障碍环境中的自主导航效率与精度。
2024-04-02 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
Human-centered Benchmarking for Socially-compliant Robot Navigation
UTBM（贝尔福-蒙贝利亚尔技术大学）；CIAD（知识获取与决策实验室）；Center for Bioinformatics, Saarland Informatics Campus（萨尔兰信息学园区生物信息学中心）
本文提出以人为本的端到端基准测试框架，利用RoSAS评估四种开源导航方法的社会兼容性，并验证其与机器人中心指标的对应关系。
2023-07-09 cs.RO
SOPD-SocialNav: Selective On-Policy Distillation for Vision-Language Social Navigation
Graduate School of Information Science and Technology, Hokkaido University（北海道大学信息科学与技术研究生院）
针对大规模视觉语言模型难部署、轻量级模型社交推理能力不足的问题，提出SOPD-SocialNav方法，通过基于熵的令牌选择机制及温度控制的散度目标，将社交导航知识从大型教师模型转移到轻量级学生模型，实验证明该方法有效。
2026-07-23 cs.RO
Correct-by-Construction Navigation Functions with Application to Sensor Based Robot Navigation
Cyprus University of Technology（塞浦路斯理工大学）；Technion Israel Institute of Technology（以色列理工学院）
本文汇集了导航变换和调和函数的概念，形成导航功能，是正确的建设的意义上，没有调整是必需的。导航功能的形式与环境中障碍物的数量明确相关。这使得能够在部分或完全未知的环境中应用用于自主机器人导航的导航功能，具有当机器人发现新障碍物时对导航功能进行即时调整的能力。本文首先针对运动学点质量机器人和动态点质量机器人系统，提出并分析了适用于具有局部、扇形有界传感的机器人的导航控制器。所提出的导航方案的封闭形式性质提供了基于在线快速反馈的导航。除了分析保证，仿真研究，以验证该方法的有效性。
2021-03-07 cs.RO cs.SY eess.SY
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
Real-Time Neuromorphic Navigation: Guiding Physical Robots with Event-Based Sensing and Task-Specific Reconfigurable Autonomy Stack
Purdue University（普渡大学）
本文提出可重构 Neuromorphic Navigation 框架，利用基于事件的神经形态视觉贯通感知、规划与控制，并在 Turtlebot 和 Bebop2 上验证其实时自主导航能力。
2025-03-11 cs.RO
NaviGAN: A Generative Approach for Socially Compliant Navigation
Carnegie Mellon University（卡内基梅隆大学）
机器人在人类群体中导航需要优化其路径，不仅是为了它们的任务性能，还为了它们对社会规范的遵守。在这种情况下，一个关键的挑战是缺乏标准的指标来评估和优化社会兼容的行为。社会导航中现有的作品可以根据其优化目标的差异进行分组。例如，强化学习方法倾向于在社交顺应导航的\textit{comfort}方面进行优化，而反向强化学习方法被设计为实现\textit{natural}行为。在本文中，我们提出了NaviGAN，生成导航算法，共同优化的\textit{comfort}和\textit{naturalness}方面。我们的方法被设计为一个对抗性训练框架，可以学习生成一个导航路径，该路径既可以实现目标，也可以遵守潜在的社会规则。在多个数据集上进行了一系列实验，以定量地证明所提出的方法的优势。我们还进行了大量的实验，使用物理机器人在现实世界的环境中，定性地评估训练的社会导航行为。机器人实验的视频记录可以在以下链接中找到：https://youtu.be/61blDymjCpw。
2020-07-10 cs.RO
Grounding Implicit Goal Description for Robot Indoor Navigation Via Recursive Belief Update
Baidu Research Institute（百度研究院）
基于自然语言的机器人导航仍然是一个具有挑战性的问题，由于人类知识的导航约束，目的地是不直接兼容的机器人知识库。在本文中，我们的目标是翻译成高层次的机器人导航计划的自然目的地命令给感兴趣的地图。我们识别语法相关的目的地描述的片段，并递归地应用它们中的每一个来更新给定map.We训练一个目的地接地模型使用一个数据集的单步信念更新精确，接近，和方向修饰符类型的信念分布。我们展示了我们的方法在现实世界中的导航任务在一个办公室，由80个领域。离线实验结果表明，我们的方法可以直接提取目标的目的地从听不到的，长的，和复合文本命令要求人类。这使得用户能够以一般和自然的形式为机器人指定他们的目的地目标。硬件实验结果也表明，所设计的模型为服务机器人导航目标的指定带来了很大的方便。
2020-11-10 cs.RO
VGPN: Voice-Guided Pointing Robot Navigation for Humans
Tsinghua University（清华大学）；University of Bath（巴斯大学）
指出手势是目前机器人导航中广泛使用的方法。然而，大多数方法仅使用指向手势，并且这些具有两个主要限制。首先，它们需要始终识别指向手势，这导致长的处理时间和显著的系统开销。其次，用户的指向可能不是很准确，因此机器人可能会去到不希望的地方。为了缓解这些限制，我们提出了一个语音引导指向机器人导航方法命名为VGPN，并实现其原型上的轮式机器人，TurtleBot 2。VGPN仅在语音信息不足以进行导航时才识别指向手势。VGPN还使用语音信息作为辅助通道，以帮助确定用户指向手势的目标位置。在评估中，我们将VGPN与仅点导航方法进行了比较。实验结果表明，VGPN有效地减少了不需要指向手势时的处理时间开销，提高了用户对导航精度的满意度。
2020-04-03 cs.RO
CoRelNav: Collaborative Relational Navigation for Multi-Robot Spatially Constrained Semantic Navigation
Beijing Institute of Technology（北京理工大学）
CoRelNav提出了一种将多机器人探索与候选驱动协作验证相结合的方法，用于空间约束语义导航，在模拟和真实机器人上验证了其有效性。
2026-09-24 cs.RO
ARC Nav -- A 3D Navigation Stack for Autonomous Robots
PES University（PES大学）
流行的导航栈在开源框架之上实现，如ROS（机器人操作系统）和ROS 2使用离散化的2D占用网格表示机器人工作空间。这种方法，虽然需要较少的计算，限制了使用这样的导航栈轮式机器人在平面上导航。在本文中，我们提出了一个导航堆栈，使用体积表示的机器人工作空间，因此可以扩展到空中和足式机器人通过不平坦的地形导航。此外，我们提出了一种新的基于采样的运动规划算法，该算法引入了一个双向的方法，批量通知树（BIT*）运动规划算法，同时包装它与策略切换的方法，以减少初始时间，找到一条路径，除了所需的时间，找到最短路径。
2021-11-12 cs.RO
SocialNav: Training Human-Inspired Foundation Model for Socially-Aware Embodied Navigation
Amap, Alibaba Group, China（阿里集团阿地图，中国）；Zhejiang University, China（浙江大学，中国）
SocialNav通过分层架构和多阶段训练，实现了社交感知导航，显著提升了导航性能和社会合规率。
2026-02-27 cs.AI cs.CV cs.RO
Continuous-Time Trajectory Optimization for Decentralized Multi-Robot Navigation
SRM Institute of Science and Technology（SRM科学技术学院）
多机器人系统已经开始渗透到各种不同的领域，但以分散方式进行无碰撞导航仍然是一项艰巨的任务。通常，高速多机器人系统的导航需要重新规划轨迹以避免彼此碰撞。提出了一种基于标记的多机器人场景下的轨迹优化在线重规划算法。通过机器人之间可靠的状态通信，每个机器人都可以为其他所有机器人预测一个平滑的连续时间轨迹。基于这些预测轨迹的知识，每个机器人然后为自己规划无碰撞轨迹。利用基于多项式的轨迹生成方法，将无碰撞轨迹优化问题转化为非线性规划问题。该算法进行了测试，在模拟凉亭与空中机器人。
2019-09-05 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
