CoNav: A Benchmark for Human-Centered Collaborative Navigation

人机协作是一个有吸引力的目标，其中机器人通过智能辅助人类完成即将到来的任务。为了实现这个目标，机器人需要具备基本的协作导航能力，即通过观察人类活动来推断人类意图，然后提前导航到人类预定的目的地。然而，这一重要能力在以前的文献中并没有得到很好的研究。为了填补这一空白，我们提出了一个协作导航（CoNav）基准。我们的CoNav解决了构建具有逼真和多样化人类活动的三维导航环境的关键挑战。为了实现这一目标，我们设计了一种基于LLM的人形动画生成框架，它是根据文本描述和环境背景条件生成的。生成的人形轨迹遵循环境背景，并可以轻松地集成到流行的模拟器中。我们在实证研究中发现，现有的导航方法在CoNav任务中面临困难，因为它们忽略了对人类意图的感知。为了解决这个问题，我们提出了一个意图感知的代理，用于推断长期和短期的人类意图。代理根据预测的意图和全景观察来预测导航行为。观察人类、避免人类碰撞和导航等不断出现的代理行为显示了所提出数据集和代理的效率。

论文旨在解决机器人在协同导航中缺乏理解人类意图的问题，提出了一个基于人类行为的协同导航基准测试，并设计了一个基于LLM的人形动画生成框架，用于生成符合真实环境下人类行为的轨迹。

论文提出了一种基于人类行为的协同导航框架，通过观察人类行为来推断人类的意图，并提出了一个基于意图的导航策略。此外，论文还设计了一种基于LLM的人形动画生成框架，用于生成符合真实环境下人类行为的轨迹。

论文设计了一个新颖的基于LLM的人形动画生成框架，用于生成符合真实环境下人类行为的轨迹，并提出了一个基于意图的导航策略。论文还提出了一个基于人类行为的协同导航基准测试，用于评估机器人在协同导航中的表现。实验结果表明，现有的导航方法在该任务中表现不佳，而论文提出的基于意图的导航策略能够有效地解决这一问题。

最近的相关研究包括：'Socially Aware Motion Planning with Deep Reinforcement Learning'，'Human-aware Robot Navigation: A Survey'，'Learning to Navigate in Cities Without a Map'等。