SOCIALGYM：一种用于社交机器人导航基准测试框架

机器人在动态人类环境中安全且符合社会规范地移动，是长期机器人自主性的基本基准。然而，在真实世界中完全学习和基准测试社交导航行为并不可行，因为学习是数据密集型的，且在训练期间难以保证安全。因此，需要为社交导航提供抽象的、基于仿真的基准。这类基准的框架需支持广泛的学习方法，可扩展至多样的社交导航场景，并抽象掉感知问题以显式聚焦于社交导航。尽管已有许多提出的方案，包括高保真3D仿真器和网格世界近似，但现有方案均未能满足上述所有用于学习和评估社交导航行为的属性。在本文中，我们提出SOCIALGYM，一个以轻量、可扩展为设计目标的机器人社交导航2D仿真环境，以及构建于SOCIALGYM之上的基准场景。进一步，我们给出基准结果，比较并对照了人工工程化与基于模型的学习方法，以及一套应用于社交机器人导航的现成示范学习（LfD）与强化学习（RL）方法。这些结果展示了所评估各策略的数据效率、任务表现、社会规范符合度与环境迁移能力，为未来社交导航研究提供了坚实基础。