移动机器人在各种拥挤场合中得到广泛应用，社会接受的导航行为是可扩展应用和人类认可的必要条件。深度强化学习方法被用于学习机器人的导航策略和模拟机器人与人类之间的复杂互动。通过在与人类互动的环境中训练深度强化学习策略，我们提出了一种新颖的社会整合导航方法，该方法适应性地产生机器人的社会行为，并且在距离行驶、完成时间和对环境中所有代理的负面影响方面优于社会感知方法。

Mar, 2024

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

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

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

提出了一种基于强化学习的个性化导航系统，根据不同视力障碍者的个人特点和行动能力，通过权重专家模型逐步调整系统用户交互体验，实现更精准的长期行为预测和快速适应性学习。

Apr, 2018

通过将序列预测和生成对抗网络的工具相结合，我们成功地解决了自动移动平台中的人体运动行为预测问题，并在准确性，多样性，碰撞避免和计算复杂性方面胜过了以往的工作。

Mar, 2018

通过系统的关系推理方法和轨迹预测，我们提出了一种适用于多智能体系统的社交机器人导航研究，通过该方法，在密集、互动场景中，在安全性、效率性和社交遵循性方面显著优于最强基准线。

Jan, 2024

本文提出了一种从人体活动视频中学习社交效应的机器人学习方法，该方法基于生成模型和马尔科夫链蒙特卡罗算法自动发现从 RGB-D 视频中的交互作用，让机器人能够自然地复制这些交互作用的完整体运动。

Apr, 2016