Oct, 2023

在拥挤环境中探索社交动作潜空间和人类意识以实现有效的机器人导航

PDF
TL;DR本研究提出了一种新方法，通过从社交动作潜空间中学习生成机器人控制来实现社交机器人导航。该方法在社交导航度量指标（如成功率、导航时间和轨迹长度）方面取得了显著改进，同时产生更平滑（较小加速度和角度偏差）和更具预测性的轨迹。通过与基准模型在不同场景下的比较，验证了该方法的优越性。此外，引入了人类对机器人的认知概念到社交机器人导航框架中，表明融入人类的意识可以导致更短、更平滑的轨迹，因为人类能够与机器人积极互动。
发现论文，激发创造
  • 具有深度强化学习的社会感知运动规划

    使用深度强化学习，本文研发了一种尊重人们常见社交规范的导航策略，可以使机器人车辆在行人密集的环境中以人类步速进行完全自主导航。

    Mar, 2017

  • 拥挤空间中基于社交及场景感知的轨迹预测

    基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

    Sep, 2019

  • 社交意识：考虑社交和心理约束的机器人在行人中的导航

    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

  • 在密集人群中建模合作导航

    本文提出了一种模型，通过模拟人 - 人和人 - 机之间的交互，在考虑空间定位的前提下预测机器人在人群中的未来轨迹，对比实验表明该模型对于长时间段内的轨迹预测表现优于现有技术。

    May, 2017

  • 社交关注：人类群体中的关注建模

    提出了一种社交关注的轨迹预测模型，该模型可以捕获人们在拥挤环境中导航时每个人的相对重要性，不受其接近性的限制。该模型通过对两个公开数据集的表现进行实证分析，对比了现有方法的性能，并分析了训练后的注意力模型，以获得更好地理解人类在拥挤环境中导航时关注周围团队的特点。

    Oct, 2017

  • 成功的众包导航学习策略

    教授自主移动机器人在人群中成功导航是一项具有挑战性的任务，该论文采用神经网络来学习机器人在现场的特定策略，以考虑人类行为和对真实机器人的反应，同时针对各种情景学习相应策略，并对方法、实验结果进行了定量评估。

    Apr, 2024

  • 社交机器人导航的核心挑战：一项调查研究

    本文介绍了机器人在拥挤的公共场所中导航的挑战，分类了现有的问题，并提供了未来研究的方向和建议。

    Mar, 2021

  • DeepMoTIon: 学习像人类一样导航

    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

  • 评估社交机器人导航算法的原则和指南

    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

  • 基于表现性潜变空间的无监督人机动作转接

    利用深度学习方法实现人到机器人动作重定向，无需人与机器人动作数据对齐，构建共享的潜空间并进行机器人运动控制，通过简单线性插值生成中间动作，多种输入模态下的机器人控制全面评估，与现有工作相比，在增加自然人机沟通的能力和提升机器人融入日常生活的信任度方面展示了有效性。

    Sep, 2023