社交导航技术 - 社交导航指在人机共存环境中，机器人遵循社会规范执行导航任务，需避免碰撞并保持合适社交距离[2][4] - 该技术面临两大核心挑战：预建地图方法难以适应动态密集环境，现有RL方法存在短视决策和依赖全局信息问题[5] - 香港科技大学团队提出Falcon算法，通过融入轨迹预测实现长期动态避障，显著提升导航性能[6][7] Falcon算法架构 - 采用双模块设计：主策略网络(MPN)负责行动决策，时空预知模块(SPM)增强环境动态预测能力[15][18] - MPN引入社会认知惩罚(SCP)机制，包含障碍物碰撞/人类接近/轨迹阻碍三重惩罚项[16][19] - SPM结合轨迹预测与辅助任务(人类数量估计/位置跟踪/未来轨迹预测)，仅在训练阶段使用[20][21][25] 数据集创新 - 现有基准存在场景简化(最大自然人类数仅3-7人)、人类行为失真等局限性[9][12][24] - 新建Social-HM3D(844场景)和Social-MP3D(72场景)数据集，支持6人交互，采用真实3D扫描和自然行为模拟[10][24][26] - 新数据集动态调整人群密度，支持物体导航/图像导航等下游任务扩展[28] 算法性能表现 - 在Social-HM3D达到55.15%成功率(SPL 55.15%)，未训练过的Social-MP3D仍保持55.05%成功率[29][30] - 社交合规性优异：个人空间合规性(PSC)接近90%，人机碰撞率约42%[31] - 对比实验中，Falcon显著优于A*(成功率46.14%)、ORCA(38.91%)等传统方法[32] 技术突破点 - 未来感知算法优势：相比静态路径规划和实时感知方法，能主动预测轨迹并提前调整路径[39][40] - 轨迹预测辅助任务效果最显著，使成功率从40.94%提升至54.00%[41][42] - SCP与SPM协同作用，完整模型性能从53.63%提升至55.15%，并加速训练收敛[44][45][46]