一种新的面向轨迹的方法以提升综合人群导航性能

人群导航近年来引起了相当大的研究兴趣，特别是随着深度强化学习（DRL）技术的广泛应用。然而，许多研究并未充分分析评估指标之间的相对优先级，这损害了对具有不同目标的方法的公平评估。此外，需要 $C^2$ 光滑性的轨迹连续性指标很少被纳入。当前的 DRL 方法通常优先考虑效率和邻近舒适性，往往忽视轨迹优化或仅通过简单且未经验证的光滑性奖励来处理。然而，有效的轨迹优化对于确保自然性、增强舒适性以及最大化任何导航系统的能效至关重要。为了弥补这些不足，本文提出了一种统一框架，通过考察多个优化目标的优先级和联合评估来实现对导航方法的公平和透明评估。我们进一步提出了一种显式强调轨迹曲率优化的新颖奖励塑形策略。由此产生的轨迹质量和适应性在多尺度场景中显著提升。通过广泛的二维和三维实验，我们证明所提出的方法优于现有最优方法。