社交整合导航：基于深度强化学习的社交行为机器人

移动机器人正在广泛应用于各种拥挤场景并成为我们的社会一部分。具有对个体人类关注的社交可接受导航行为是可扩展应用和人类接受度的关键要求。深度强化学习 (DRL) 方法最近被用于学习机器人的导航策略并建模机器人与人类之间的复杂互动。我们提出将现有 DRL 导航方法基于机器人所展现的社交行为进行划分，区分社交碰撞规避（缺乏社交行为）与社交感知方法（具有明确预定义的社交行为）。此外，我们提出一种新颖的社交整合导航方法，其中机器人的社交行为是自适应的，源自与人类的互动。我们的 метод 的形式化源自社会学定义，指出社交行为是面向他人行为的。DRL 策略在其他智能体进行社交整合互动的环境中进行训练，并对机器人的行为进行奖励。仿真结果表明，所提出的社交整合导航方法在自主导航性能方面优于社交感知方法，同时显著减少了对环境中所有智能体的负面影响。