SACSoN：面向社交导航的可扩展自主控制

机器学习为构建超越简单人类行为预测模型的、符合社会规范的机器人系统提供了强大工具。通过观察和理解过往经验中的人类交互，学习可直接从数据中获得有效的社交导航行为。在本文中，我们的目标是开发用于训练社交不显眼导航策略的方法，使机器人能以不干扰人类行为的方式在人群中导航。我们基于人类的反事实扰动给出了此类行为的定义：若机器人未侵入该空间，人类是否会以相同方式行动？通过最小化该反事实扰动，我们可引导机器人以不改变共享空间中人类自然行为的方式行动。落实该原理需要训练策略以最小化其对人类行为的影响，而这又需要允许我们对机器人在场时人类行为进行建模的数据。因此，我们的方法基于两项关键贡献。首先，我们收集了一个室内移动机器人与人类旁观者交互的大型数据集。其次，我们利用该数据集训练最小化反事实扰动的策略。我们提供了补充视频，并在项目页面公开了同类规模最大的视觉导航数据集。