通过构建大规模数据集，研究了语言引导的视觉导航中各个组成部分对代理性能的影响，并通过简单模仿学习将现有代理的性能推向了一个显著的新高度，成功率达到了 80％，并将在已见和未见环境中导航的泛化差距降低到不到 1％。

Jul, 2023

自主移动机器人需要通过其载有的传感器 (如 LiDAR 和 RGB 相机) 感知环境，并做出适当的导航决策，为了在人类居住的公共空间中导航，这个导航任务不仅仅是避开障碍物，还需要考虑周围的人类及其意图，以对应社会规范进行导航行为的微小变化，机器学习方法在以数据驱动的方式捕捉这些复杂而微妙的社交互动方面显示出了有效性，而无需显式手工制作简化模型或代价函数，考虑到多种可用传感器模态和学习方法的效率，本文通过使用大规模真实数据集对使用多模态感知学习社交机器人导航进行了全面的研究，该研究分析了在不同社交场景中的全局和局部规划水平上的社交机器人导航决策，并将单模态和多模态学习与一组经典导航方法进行对比，同时从学习的角度分析了训练和泛化性能，我们还进行了一个人体研究，探究了使用多模态感知进行学习如何影响感知到的社交合规性，结果表明，与单模态学习相比，多模态学习在数据集和人体研究中具有明显优势，我们开源了代码，供社区在未来研究中使用多模态感知学习社交机器人导航。

Sep, 2023

SocioSense 是一种实时算法，用于基于 Bayesian 学习和人格特征预测每个行人的时间变化行为，从而改善机器人在人群中的导航性能。

Jun, 2017

基于机器人的状态 - 动作历史，提出了第一个社交动力学适应模型（SDA），用于推断社交动态。在共享环境中，机器人通过学习人类轨迹并基于该信息、当前状态和前一动作学习运动策略，成功实现了人机协作和社交导航。通过在 Habitat 3.0 平台上的实验，SDA 展现出了前所未有的优秀表现，达到了新的技术水平。

Apr, 2024

我们设计了一个便携的数据采集系统，结合了自主标注流水线，通过一个标签修正的网络应用来实现对自动行人跟踪结果的人工验证，在多个环境下实现大规模数据采集和快速轨迹标签生产。与现有行人数据采集方法相比，我们的系统具备了自上而下和自我中心视图的组合、在社交适宜的 “机器人” 情境下的自然人类行为以及基于度量空间的经过人工验证的标签，是第一个同时集成这三个组成部分的数据采集系统。我们进一步介绍了我们正在进行的数据采集工作的不断扩展的数据集 ——TBD 行人数据集，并展示了与具有人工验证标签的先前数据集相比我们采集的数据更大规模、包含更丰富信息，并支持新的研究机会。

Sep, 2023

该研究介绍了一种新的人类感知式导航方法，其中机器人通过学习模仿人类在人群中安全导航。通过使用 DeepMoTIon 模型，该系统通过 LiDAR 扫描处理并预测人类行为，实现导航目标的达成，同时保证了系统遵循社交规范，且无一异常情况。

Mar, 2018

本文回顾 ANSFL 开发的多学科基于数据驱动的导航算法，其包括适用于人和动物应用、各种自主平台以及多用途导航和融合方法，这些方法在导航领域得到了实验验证和最新的表现。

Oct, 2022

本文探究了如何利用多传感器数据融合和最先进的机器学习算法，实现名为视觉语义导航的任务，在不需要先验环境知识的情况下使用自我中心视觉观测来到达属于目标语义类别的物体。我们的方法在 Habitat Challenge 2021 ObjectNav 的 Minival 阶段和 Test-Standard 阶段中，取得了第四名的成绩。

Jun, 2021

人机协作导航以及基于 LLM 的人形动画生成框架与感知人类意图的代理的相关研究。

Jun, 2024

本文提出了评估社交机器人导航算法的标准、度量方式和基于场景分析的指导方针，并设计了一个社交导航度量指标框架来比较不同的模拟器、机器人和数据集的结果。

Jun, 2023