Learning Social Navigation from Demonstrations with Deep Neural Networks

传统的路径规划技术将人类视为障碍物。自从机器人开始进入人类环境以来，这种情况已经改变。在现代机器人上，社交导航已经成为导航系统的重要方面。要使用基于学习的技术实现社交导航，需要一个能够用尽可能少的数据表示复杂函数的强大框架。在这项研究中，我们利用了深度学习在全局和局部规划水平上的最新进展，在模拟机器人上实现了人类感知导航。我们训练了两个不同的深度模型，分别用于全局规划和局部规划。然后将这些模型应用于模拟机器人。最终，我们展示了我们的模型可以成功地完成全局和局部规划任务。我们已经证明我们的系统可以生成成功到达目标并避开障碍物路径，而且性能比前馈神经网络更好。

本论文旨在解决机器人在人类环境中进行社交导航的问题，即如何避免碰撞并与人类进行交互。

该论文采用了深度学习技术，通过分别训练全局规划和局部规划两个深度模型，实现了人类感知的导航。这种方法在处理复杂函数时可以用尽可能少的数据来表示。

论文的实验结果表明，该模型可以成功地完成全局和局部规划任务，并生成成功到达目标并避免障碍物的路径。相比前馈神经网络，该模型的性能更好。此外，该论文还开源了数据集和代码，值得进一步研究。

在这个领域中，最近的相关研究包括： 1. Socially Aware Motion Planning with Deep Reinforcement Learning 2. Socially-compliant Navigation through Raw Depth Inputs with Generative Adversarial Imitation Learning 3. Human-aware Robot Navigation: A Survey