Learning Social Robot Navigation By Sensing Human Legs

📄 arXiv: 2607.27922v1 📥 PDF

作者: Alberto Vaglio, Andrea Garulli, Antonio Giannitrapani, Renato Quartullo, Tommaso Van Der Meer

分类: cs.RO

发布日期: 2026-07-30

💡 一句话要点

提出CALF以解决机器人在人群中导航的挑战

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 机器人导航 深度强化学习 2D LiDAR 腿部运动识别 社会合规性 卷积神经网络 注意力机制

📋 核心要点

  1. 现有的机器人导航方法未能有效处理行人腿部运动，导致导航性能不足。
  2. 提出的CALF架构通过解读腿部运动，结合卷积和注意力机制，提升了导航的安全性。
  3. 在真实环境中进行的实验显示，CALF策略在导航性能和社会合规性上优于传统和学习基线方法。

📝 摘要（中文）

在行人密集的环境中，机器人通常使用安装在地面附近的2D LiDAR传感器进行导航。然而，这种高度的传感器主要捕捉到的是移动的腿部，而不是完整的人体，导致现有的学习导航方法将行人视为简单的形状，如圆形。本文提出了CALF（Convolutional Attention for Leg Features），一种端到端的神经网络架构，结合卷积层、注意力机制和多层感知器，直接从LiDAR扫描中解读腿部运动并生成安全的导航指令。CALF策略通过深度强化学习算法在LegNav这一自定义轻量级2D模拟器中进行训练，模拟器结合了2D LiDAR光线追踪和新颖的行人步态模型。最终，CALF策略在TurtleBot 4上进行零-shot部署的真实实验中验证了其平滑和社会合规的轨迹。

🔬 方法详解

问题定义：本文旨在解决机器人在行人密集环境中导航时，现有方法未能有效利用腿部运动信息的问题。传统方法通常将行人简化为几何形状，忽视了腿部运动的动态特征。

核心思路：CALF架构通过直接从LiDAR扫描中提取腿部特征，利用卷积层和注意力机制来增强对行人运动的理解，从而生成更安全的导航指令。

技术框架：整体架构包括数据采集（LiDAR扫描）、特征提取（卷积层）、特征关注（注意力机制）和决策生成（多层感知器），形成一个端到端的学习系统。

关键创新：CALF的最大创新在于其能够直接处理腿部运动信息，而不是将行人视为简单的几何形状，这使得机器人能够更好地理解和预测行人的行为。

关键设计：在训练过程中，使用了深度强化学习算法，损失函数设计为考虑导航安全性和社会合规性，网络结构则结合了卷积层、注意力机制和多层感知器，以优化性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CALF策略在TurtleBot 4上的零-shot部署实现了平滑且社会合规的导航轨迹，相较于传统和学习基线方法，导航性能显著提升，具体数据未提供。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、自动驾驶车辆和人机协作系统，能够在复杂的行人环境中实现安全、高效的导航。其实际价值在于提升机器人在公共场所的适应能力，未来可能对智能交通和服务行业产生深远影响。

📄 摘要（原文）

Robots navigating among pedestrians typically sense their surroundings with a 2D LiDAR mounted close to the ground. At that height, the sensor mostly sees moving legs rather than whole people, yet most learning-based navigation methods still treat pedestrians as simple shapes like circles. This paper addresses that gap with CALF (Convolutional Attention for Leg Features), an end-to-end neural architecture that combines convolutional layers, attention, and MLP to interpret leg motion directly from LiDAR scans and produce safe navigation commands. The CALF policy is trained using deep reinforcement learning algorithms within LegNav, a custom lightweight 2D simulator that combines 2D LiDAR ray tracing with a novel pedestrian gait model. The resulting policy is compared against classical and learning-based baselines in terms of navigation performance and social compliance. The approach is validated through real-world experiments via zero-shot deployment on a TurtleBot 4, yielding smooth and socially compliant trajectories. Written in JAX, the LegNav simulator enables the training of a deployment-ready CALF policy in under an hour on a single consumer GPU.