摘要

本文由Andrea Eirale、Matteo Leonetti和Marcello Chiaberge共同撰写，提出了一种新颖的人工智能方法，用于实现社交机器人导航中的社会感知路径规划。该研究的核心在于识别日常社交场景并调整传统规划器的成本函数，以适应这些场景。这种方法使机器人能够执行不同的社交导航行为，如排队和尊重人群的互动空间，同时保持传统导航的鲁棒性。通过单一学习模型，机器人能够学习多种社交规范，而不是为每个任务设置不同的模块。该方法不仅限于排队和人群互动，还可以扩展到其他不涉及运动的社交活动。

原理

本文提出的方法通过深度神经网络学习社交成本函数，该函数能够生成社交成本地图，并将其添加到传统的障碍成本地图中。这种社交成本地图的生成基于机器人周围人的位置和目标位置的输入。网络架构采用编码器-解码器结构，通过卷积、最大池化和上采样层处理输入数据，最终输出一个社交成本地图。这个地图与传统的导航成本地图结合，形成一个综合成本地图，用于指导机器人的路径规划。这种方法的先进性在于其能够通过单一模型处理多种社交场景，而不是为每个场景单独设计模型，从而提高了系统的灵活性和适应性。

流程

论文中描述的工作流程包括以下几个步骤：首先，机器人通过传感器获取周围人和目标的位置信息，并将这些信息转换为社交局部网格地图。然后，这个地图作为输入传递给深度神经网络，网络输出一个社交成本地图。接下来，这个社交成本地图与传统的障碍成本地图结合，形成一个综合成本地图。最后，机器人使用这个综合成本地图进行路径规划，确保其导航行为符合社交规范。例如，在排队场景中，机器人会识别排队的人群，并生成一个U形的高成本区域，迫使机器人只能在队列后方排队，从而避免插队行为。

应用

该论文提出的方法具有广泛的应用前景，特别是在需要机器人与人类进行复杂互动的公共空间，如购物中心、机场和餐厅等。通过这种社会感知的导航系统，机器人能够更好地融入人类环境，提供更加自然和接受的服务。此外，该方法的灵活性意味着它可以适应不断变化的社交场景，为未来的社交机器人导航技术提供了新的可能性。