SocialNav-Map：用于零样本社交导航的动态映射与人类轨迹预测
机器人学
2025-11-19 v2
摘要
在人口稠密的动态环境中进行社交导航对自主移动机器人构成重大挑战，要求采用先进的策略以确保安全交互。现有基于强化学习（RL）的方法需要超过2000小时的大量训练，且常常难以在无需额外微调的情况下推广到陌生环境，限制了其在实际场景中的实际应用。为解决这些限制，我们提出了SocialNav-Map，一种 novel 的零-shot 社交导航框架，将动态人类轨迹预测与占用网格图结合，实现无需环境特定训练即可进行安全且高效的导航。具体而言，SocialNav-Map 首先将任务目标位置转换为构建的地图坐标系。随后，它创建包含预测人类运动作为动态障碍物的动态占用网格图。该框架采用两种互补的方法进行人类轨迹预测：历史预测和方向预测。通过将这些预测轨迹整合到占用网格图中，该机器人能够主动避免与人类的潜在碰撞，同时高效地导航至目的地。在Social-HM3D和Social-MP3D数据集上的大量实验表明，SocialNav-Map显著优于需要2396 GPU小时训练的领先基于RL的方法。值得注意的是，在无需在新环境中进行任何训练的情况下，SocialNav-Map将人类碰撞率降低了超过10%。通过消除对环境特定训练的需求，SocialNav-Map实现了出色的导航性能，为在以多样化人类行为为特征的实际环境中部署社交导航系统铺平了道路。代码可在 https://github.com/linglingxiansen/SocialNav-Map 查看。
引用
@article{arxiv.2511.12232,
title = {SocialNav-Map: Dynamic Mapping with Human Trajectory Prediction for Zero-Shot Social Navigation},
author = {Lingfeng Zhang and Erjia Xiao and Xiaoshuai Hao and Haoxiang Fu and Zeying Gong and Long Chen and Xiaojun Liang and Renjing Xu and Hangjun Ye and Wenbo Ding},
journal= {arXiv preprint arXiv:2511.12232},
year = {2025}
}