香港科技大学（广州）与香港科技大学联合开发了新算法Falcon，提升机器人在拥挤环境中的社交导航能力。该算法结合轨迹预测，研究团队还构建了Social-HM3D和Social-MP3D数据集以提供更真实的评估环境。实验结果表明，Falcon在目标达成和社会合规方面表现优异，成功率超过55%。

本研究提出了一种神经符号方法，旨在解决机器人在复杂环境中与人类互动时的不确定性问题，从而提升社交导航能力，具有重要的应用潜力。

本研究提出了一种新颖的视觉语言注意力蒸馏方法Vi-LAD，旨在提升机器人在动态环境中的社交意识导航能力。通过提炼社交导航知识，Vi-LAD显著提高了导航成功率，实验结果显示提升幅度达14.2%至50%。

本文研究了深度强化学习在社交导航中的应用，开发了尊重社交规范的机器人导航策略。通过多模态感知和大规模数据集，提升了机器人在拥挤环境中的自主导航能力。提出的社交机器人规划器(SRLM)结合大型语言模型和深度强化学习，优化了机器人与人类的互动，显著提高了导航性能。

本文探讨了深度强化学习和社交规范在拥挤环境中改善机器人自主导航的方法。研究提出了社交导航算法评估标准和度量指标框架，并通过课程学习提升导航的泛化性能。新方法在成功率、导航时间和轨迹平滑性方面表现优越，强调了人类意识对机器人导航的影响。

本文探讨了基于强化学习的移动机器人在密闭空间中与行人互动的导航问题。研究提出课程学习方法以提高社交导航的泛化性能，并通过多种环境和动力学模型进行训练。结果表明，该方法有效降低了碰撞率，提升了与行人的安全距离。同时，结合深度强化学习和图神经网络的多智能体导航策略，能够更快学习并实现高效协调，适应人类社交规范。

本研究提出了一种使用课程学习来改善强化学习社交导航方法的泛化性能的方法。研究结果表明，使用课程学习进行训练可以取得更好的泛化性能，并验证了训练方法在更大更拥挤的测试环境中的有效性。