在复杂环境中，机器人社交导航能力至关重要。社交导航 (SocialNav) 指机器人遵循社会规范在人机共存环境中导航。例如，机器人需要到达目标点，但目标点位于行人未来轨迹的交叉区域，机器人必须灵活避障并保持安全社交距离。
传统方法难以应对动态环境，为此，香港科技大学（广州）和香港科技大学提出了一种新算法 Falcon。该算法将轨迹预测融入社交导航，实现长期动态避障，提升导航性能。
现有社交导航基准存在场景简化、行为不自然等问题。
因此，研究团队构建了 Social-HM3D 和 Social-MP3D 两个新数据集，作为更真实的社交导航基准。这两个数据集基于真实场景重建，模拟自然人类行为，并控制人群密度。
Falcon 算法框架由主策略网络 (MPN) 和时空预知模块 (SPM) 两部分组成。MPN 引入社会认知惩罚 (SCP) 机制，避免机器人干扰行人轨迹；SPM 则结合轨迹预测等辅助任务，增强对环境动态变化的预测能力。
现有模拟器与数据集对比：
实验结果表明，Falcon 在目标达成率和社会合规性方面表现出色，在 Social-HM3D 数据集上达到 55.15% 的成功率和 SPL，在 Social-MP3D 数据集上达到 55.05% 的成功率，同时保持接近 90% 的 PSC 和接近 42% 的人机碰撞率。
定性分析展示了 Falcon 在不同场景下的优势：
研究团队总结了三个关键发现：未来感知算法优于实时感知算法；轨迹预测等辅助任务提升性能；SCP 和 SPM 相辅相成，提升性能并加快训练收敛。
项目主页：https://zeying-gong.github.io/projects/falcon/ 论文链接：https://arxiv.org/abs/2409.13244 代码链接：https://github.com/Zeying-Gong/Falcon
