CoNav：人本合作导航的基准测试
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文介绍了多种社交机器人导航技术，包括基于对话历史的导航、社交动作潜空间学习和增强学习框架。研究表明，历史对话长度、个性化控制器和人类互动显著影响导航性能，并提出了新的评估标准和方法，以提升机器人在复杂环境中的导航能力。
❓
Q&A
CoNav项目的主要目标是什么？
CoNav项目旨在提升社交机器人在复杂环境中的导航能力，特别是通过人机互动和对话历史来改善导航性能。
历史对话长度如何影响机器人导航性能？
研究表明，历史对话越长，机器人导航性能越好，这意味着更丰富的对话历史可以提供更多上下文信息。
SayNav方法是如何工作的？
SayNav方法通过建立三维场景图生成导航计划，并动态生成指令以适应新感知信息，有效定位多个物体。
什么是社交动作潜空间学习？
社交动作潜空间学习是一种新方法，通过学习社交行为生成机器人控制，从而显著改善导航性能和轨迹平滑性。
增强学习框架在个性化导航中的作用是什么？
增强学习框架用于训练个性化导航控制器，使其能够反映用户偏好并在真实机器人上保持良好性能。
RobustNav框架的目的是什么？
RobustNav框架旨在评估鲁棒性导航代理的性能，并量化在视觉污染下的表现，以识别标准代理的不足之处。
🏷️
