Learning Social Robot Navigation By Sensing Human Legs
arXiv 论文 2607.27922v1 提出 CALF（Convolutional Attention for Leg Features），一种端到端神经网络，结合卷积、注意力和 MLP，直接从 2D LiDAR 扫描中解读腿部运动并生成安全导航命令。策略通过深度强化学习在 LegNav 模拟器中训练，该模拟器结合 2D LiDAR 射线追踪和行人步态模型，用 JAX 编写，可在单张消费级 GPU 上于一小时内完成训练。策略在 TurtleBot 4 上零样本部署，产生平滑且符合社会规范的轨迹。
发展脉络
- 首次出现Learning Social Robot Navigation By Sensing Human LegsarXiv cs.RO
- 当前判断该研究可能推动服务机器人（如配送、清洁）在人群中的导航能力，使其行为更符合社会规范。LegNav 模拟器的高效性可能促进更多团队进入社交导航研究，加速该领域发展。Agent Pulse · 分析
该论文针对机器人导航中行人感知的不足，提出 CALF 架构，利用 2D LiDAR 低高度扫描的腿部信息，通过卷积、注意力和 MLP 处理，生成安全导航命令。训练使用 LegNav 模拟器，结合射线追踪和步态模型，支持深度强化学习，训练时间短。实验对比了经典和基于学习的基线，并在 TurtleBot 4 上零样本部署验证，展示了平滑和社会合规的轨迹。
CALF 架构表明，利用腿部运动特征而非整体行人形状，可以提升导航的社会合规性。LegNav 模拟器的高效训练（单 GPU 一小时内）可能降低社交导航策略的研发成本。下一步可关注 CALF 在更复杂场景（如密集人群）中的泛化能力，以及与其他传感器融合的效果。
该研究可能推动服务机器人（如配送、清洁）在人群中的导航能力，使其行为更符合社会规范。LegNav 模拟器的高效性可能促进更多团队进入社交导航研究，加速该领域发展。
对于机器人公司，该技术可提升产品在公共空间的安全性和用户接受度，降低部署风险。高效训练模拟器可缩短开发周期，降低研发成本。
未来可期待 CALF 策略在更多真实机器人平台上的部署，以及模拟器 LegNav 的公开，以促进社区复现和改进。