MUSON：面向城市环境中社会顺应性导航的推理导向多模态数据集
计算机视觉与模式识别
2025-12-30 v1 机器人学
摘要
社会顺应性导航需要对动态行人和物理约束进行结构化推理，以确保安全且可解释的决策。然而，现有的社会导航数据集通常缺乏显式的推理监督，并呈现出极长尾的动作分布，限制了模型学习安全关键行为的能力。为了解决这些问题，我们引入了 MUSON，这是一个在多样化的室内外校园场景中收集的用于短时程社会导航的多模态数据集。MUSON 采用了由感知、预测、推理、动作和解释组成的结构化五步思维链标注，对静态物理约束进行了显式建模，并具有合理平衡的离散动作空间。与 SNEI 相比，MUSON 提供了一致的推理、动作和解释。在 MUSON 上对多个 SOTA 小型视觉语言模型进行基准测试表明，Qwen2.5-VL-3B 取得了 0.8625 的最高决策准确率，证明 MUSON 可作为社会顺应性导航的有效且可复用的基准测试。该数据集已在 https://huggingface.co/datasets/MARSLab/MUSON 公开
引用
@article{arxiv.2512.22867,
title = {MUSON: A Reasoning-oriented Multimodal Dataset for Socially Compliant Navigation in Urban Environments},
author = {Zhuonan Liu and Xinyu Zhang and Zishuo Wang and Tomohito Kawabata and Xuesu Xiao and Ling Xiao},
journal= {arXiv preprint arXiv:2512.22867},
year = {2025}
}