Characterizing the Complexity of Social Robot Navigation Scenarios

社交机器人导航算法通常在过于简化的情况下展示，这样就无法从中提取有关其与现实世界领域相关性的实用见解。我们的关键洞察是，了解社交机器人导航场景的内在复杂性可以帮助表征现有导航算法的局限性，并提供可操作的改进方向。通过对最近的文献进行探索，我们确定了一系列因素，这些因素有助于解释场景的复杂性，区分上下文和机器人相关因素。然后，我们进行了一项模拟研究，探究上下文因素的操纵如何影响各种导航算法的性能。我们发现，密集和狭窄的环境与性能下降最强烈相关，而代理策略的异质性和交互方向的影响则不太明显。这促使我们转向在更高复杂性的设置下开发和测试算法。

本文试图通过研究社交机器人导航算法在复杂环境中的表现，找出算法的局限性并提出改进方向。

本文通过探索社交机器人导航场景的复杂性因素，发现环境的密集程度和狭窄程度对算法表现影响最大，而智能体策略的异质性和交互方向的差异则影响较小。因此，本文提出应该在更高复杂度的环境中开发和测试算法。

本文通过模拟实验探究了不同环境因素对多种导航算法性能的影响，并提出了应该在更高复杂度环境中开发和测试算法的建议。

最近的相关研究包括：1. Learning to Navigate in Cities Without a Map；2. Socially Aware Motion Planning with Deep Reinforcement Learning；3. A Survey of Robot Learning from Demonstration。