BriefGPT - AI 论文速递 ·

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。

🎯

提出了 Cooperative Vision-and-Dialog Navigation 数据集，定义了基于对话历史的导航任务，证明历史对话越长，导航性能越好。
研究了一种模型，通过模拟人机交互预测机器人在人群中的未来轨迹，表现优于现有技术。
提出了社交机器人导航算法的评估标准和度量方式，设计了社交导航度量指标框架。
提出了一种新方法，通过社交动作潜空间学习生成机器人控制，显著改善导航性能和轨迹平滑性。
引入人类认知概念到社交机器人导航框架中，表明人类互动可以改善导航效果。
开发了 SayNav 方法，通过三维场景图生成导航计划，有效定位多个物体。
提出了增强学习框架，训练个性化导航控制器，显著优于传统方法，具有良好的泛化性能。
提出基于 Proximity-Aware Tasks 的社交导航策略，解决室内人类导航挑战。
采用神经网络学习机器人在现场的特定导航策略，考虑人类行为。
提出 RobustNav 框架，评估鲁棒性导航代理的性能，发现标准代理在视觉污染下表现下降。
提出基于强化学习的个性化导航系统，针对视力障碍者进行精准的长期行为预测。

❓

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。

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。

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。

🏷️