在有效的社交机器人导航中，需要对人类行为的敏感性，通常通过微妙的骨骼线索如步态和方向来揭示。我们提出了人性化隐式社交机器人导航（HumAIN）这一新框架，直接将隐式社交线索融合到规划循环中，采用知识蒸馏的方法。
首先，我们使用基于变换器的教师模型，融合丰富的多模态输入，包括历史图像、骨骼关键点、机器人状态和目标，以学习机器人未来轨迹规划的稳健人性化表征。为了实现实时部署，我们将这些知识蒸馏到轻量级学生模型中。通过优化轨迹重建和与教师的潜在特征对齐，学生模型能够从最小的输入中推断复杂的社交动态。
通过有效的蒸馏架构弥合预测与规划的差距，我们的方法使机器人能够以适应性、稳健性和社会合规的方式推理人类行为。我们通过广泛的实验验证了HumAIN，相较于最先进的基线，其轨迹预测指标平均提高了29.8%。这些结果突显了使用隐式全身线索在资源受限的平台上实现类人导航意识的优势。
博主点评： HumAIN展示了如何利用深度学习与多模态输入来改进社交机器人在动态环境中的导航能力，尤其是在处理人类行为时的敏感性。这种方法不仅提升了导航的效果，还为未来的社交机器人设计提供了重要的参考框架。其在资源受限平台上的成功应用，预示着更广泛的机器人技术落地可能性。