Adap-RPF：面向动态拥挤环境中机器人跟随人员的自适应轨迹采样

机器人跟随人员（RPF）是人机交互中的核心能力，使机器人能够在日常活动、协作工作及其他服务场景中帮助用户。然而，由于频繁的遮挡，尤其是在动态和拥挤的环境中，实现实用的RPF仍然具有挑战性。现有方法常依赖固定点跟随或稀疏候选点选择，采用过于简化的启发式方法，无法充分处理由行人等移动障碍物引起的复杂遮挡。为此，我们提出一种自适应轨迹采样方法，通过在社交感知区域内生成密集候选点，并运用多目标代价函数进行评估。基于最优点，结合对目标运动的预测，估计其跟随轨迹。我们进一步设计了一种预测感知的模型预测路径积分（MPPI）控制器，同时实现对该轨迹的跟踪和主动碰撞避免。大量实验表明，我们的方法在平滑性、安全性、鲁棒性和人类舒适度方面均优于最新的基线方法，其在实际场景中的有效性也得到了移动机器人上的验证。