基于从人类注视中学习注意力的图卷积网络实现机器人在人群中的导航

移动机器人在人群中的安全高效导航是一项关键且具有挑战性的任务。先前工作已展示深度强化学习框架训练高效策略的能力。然而，当人群规模增大时，其性能下降。我们认为可通过使网络识别并关注人群中对导航最关键的人来解决此问题。我们提出一种利用图表示学习策略的新型网络。我们首先基于人类注视数据训练图卷积网络，准确预测人类对人群中不同智能体的注意力。然后将习得的注意力整合入基于图的强化学习架构。所提出的注意力机制使机器人邻居获得有意义的权重分配，并具有可解释性的额外益处。在具有不同人群规模的真实密集行人数据集上的实验表明，我们的模型在任务完成率上优于SOTA方法18.4%，在时间效率上优于16.4%。