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

本文提出一种注意力机制的深度强化学习模型，能够更好地模拟拥挤场景下的人机交互问题，包括人与人的交互作用，实验结果表明该模型优于现有方法。

Sep, 2018

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

本文提出一种基于循环图神经网络和注意力机制的新型 RL 方法，通过捕捉时空中多种交互类型来预测人类行为意图，并将该预测应用于无模型 RL 框架中以避免机器人干扰其他个体，从而在人群中实现机器人的安全、高效导航。

Mar, 2022

提出了一种基于深度强化学习和碰撞概率（Collision Probability，CP）的机器人人群导航方法，以解决机器人导航不稳定性问题。在不同密度的人群行为情景中进行了测试，并与当前最先进的 DRL 方法进行了比较，结果表明该方法表现出色，而且高度泛化。

Apr, 2023

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

本文提出了一种新的在步行丰富的环境下进行自主导航的算法，该算法使用基于展示和指导的行为学习，结合深度卷积神经网络和分层嵌套策略选择机制，能够有效地学习专家干预并成功地在实际世界中进行自主导航。

Nov, 2018

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。

Oct, 2023

本文提出了基于强化学习（RL）的方法来解决移动机器人在密闭空间中与行人互动的导航问题，探索了多个场景下训练准则的可复用性，并在两个真实环境的三维重建中表现出了良好的迁移能力。

Oct, 2020

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