碰撞预测与社交规范融合的四足机器人社交导航方法 (Collision Prediction and Social-Norm-Fusion-Based Social-Navigation Method for Quadruped Robots)

《Biomimetics》：Collision Prediction and Social-Norm-Fusion-Based Social-Navigation Method for Quadruped Robots Junxian Bei, Qingyun Zhu, Zhuorong Shi and Yonghua Liu

　　

作为一种典型的仿生机器人系统，四足机器人模仿了四足哺乳动物的灵活运动能力，在以人为本的日常场景中性能优于轮式机器人。为提高仿生四足机器人在人机共享环境中的社交导航适应性，本文提出了一种碰撞感知正交转向社会力模型 (Collision-aware Orthogonal Steering Social Force Model, COSFM)。该模型受人类碰撞规避行为和社交交互规则的启发，是一种融合了碰撞预测和社交规范的增强型社会力模型。它解决了传统社会力模型的两个关键局限：对动态行人的响应延迟以及对行人舒适区考虑的不足。该模型引入了碰撞时间 (Time-To-Collision, TTC) 预测机制，以模拟人类在动态社交交互中的预测决策，增强机器人对行人运动意图的预判；并针对四种典型人机交互场景（迎面相遇、路径交叉、主动超越、被动让行）设计了一种基于正交转向的规避策略。该策略复制了人类在横向转向与急减速或后退之间的自然优先级，生成了符合人类行为预期的、具备社交合规性的轨迹。所提方法通过在宇树科技Aliengo四足机器人上进行仿真和真实世界实验验证。结果表明，与现有方法相比，COSFM算法在导航成功率、路径长度、导航时间以及最小人机距离方面均取得了更好性能，同时其类人的横向规避优先级有效地保护了行人的心理舒适区，展现了仿生腿式机器人强大的社交适应性和巨大的应用潜力。

一、 研究背景与意义

随着机器人技术的快速发展，移动机器人已从传统工业应用扩展到包括服务引导、物流配送、社交陪伴在内的日常生活场景。在人流密集的城市场景中，机器人导航不仅需要准确预测人类行为，还需将此预测与高效的路径规划相结合，以实现安全、自然且社会可接受的人机共存。当前机器人导航研究主要有两类主流技术路径：以社会力模型 (Social Force Model, SFM) 为代表的可解释的规则驱动模型方法，以及数据驱动的深度强化学习 (Deep Reinforcement Learning, DRL) 方法。然而，在动态人机共享环境中，两者均面临核心瓶颈。

从运动仿生学角度看，四足机器人复制了四足哺乳动物的肌肉骨骼结构和动态步态模式，具有出色的全向机动性，包括灵活的侧向移动、原地转向和动态步态调整。这使其不仅能适应复杂的非结构化日常场景，也为类人社交交互行为提供了物理基础。然而，传统导航方法主要针对静态或可预测的障碍物，而社交导航则关注共享空间中的人机行为协调。社会力模型因其能够显式建模个体间交互而被广泛应用于机器人社交导航，但现有方法多针对特定交互任务设计，且主要在机动性受限的轮式平台上验证，限制了其在复杂人群环境中的机动性和社交适应性。同时，当前社交导航研究存在三个关键技术挑战未解决：对动态行人的固有响应延迟、对行人社交舒适区考虑不足，以及对腿式机器人运动约束缺乏系统性适应。

尽管已有研究通过引入碰撞预测机制来改善经典SFM的主动性，但其规避力方向通常与相对位置或速度方向对齐，导致机器人主要依赖减速、后退甚至停滞，无法在动态人机交互中平衡效率、运动连续性和社交合规性。另一方面，DRL方法虽能端到端学习复杂交互策略，但存在可解释性差、跨场景泛化能力有限、仿真到现实的差距显著等固有缺陷，限制了其在现实安全关键导航任务中的可靠部署。这些未解决的问题进一步加剧了前述核心挑战。为弥补此空白，本研究提出了碰撞感知正交转向社会力模型 (COSFM)，旨在实现四足机器人在现实混合环境中自然的人机共存。本论文发表在《Biomimetics》期刊。

二、 主要技术方法概述

为开展研究，研究人员整合了碰撞预测、正交转向策略与四足机器人运动学特性，构建了COSFM模型。首先，在经典SFM框架内，引入了基于碰撞时间 (TTC) 的预测机制，用于动态评估未来碰撞风险，以模拟人类的预测性决策。其次，设计了一种社交合规的正交转向策略 (Orthogonal Steering Strategy, OSS)，重新规划规避力的方向，优先鼓励机器人进行横向绕行，而非依赖减速或后退，以保持安全人际距离。该策略针对四种典型人机交互场景（迎面相遇、路径交叉、主动超越、被动让行）设计了规则驱动的转向决策机制。再者，通过系统性地集成四足机器人的步态感知、腿部安全空间和动态平衡约束，将社交导航模型适配到腿式运动平台上。最后，通过在Unitree Aliengo四足机器人平台上进行的仿真和真实世界实验，对所提方法的导航成功率、路径长度、导航时间、最小人机距离等性能指标进行了验证与评估。

三、 研究结果

3.1. 经典社会力模型

该部分回顾了由Helbing提出的经典社会力模型框架。该模型基于物理原理，通过量化建模个体运动过程中的驱动力、社交交互力和物理约束力来描述行人或人群的运动行为。其合力主要由目标导向的驱动力、行人间的相互作用力以及障碍物引起的力三部分组成。模型具有可解释性和计算效率高的优点，但也存在对动态障碍物响应延迟等问题。

3.2. 碰撞感知正交转向社会力模型 (COSFM)

本部分是研究的核心。COSFM模型在经典SFM基础上进行了关键创新：

1. 1.
   碰撞时间预测集成：引入TTC预测，使机器人能够前瞻性地评估与动态行人的碰撞风险，从而提前启动规避行为，解决了传统SFM的响应延迟问题。
2. 2.
   正交转向策略：设计了OSS，将规避力的方向重新定义为与相对位置向量正交。这鼓励机器人优先进行横向（侧向）规避，模仿了人类在社交规避中倾向于横向移动而非急停或后退的自然行为模式，从而生成更高效、自然且符合社交规范的轨迹。
3. 3.
   场景化规则驱动：针对四种典型人机交互场景，制定了具体的正交转向决策规则，提高了规避行为的可预测性和社交合规性。
4. 4.
   四足机器人平台适配：将四足机器人的步态周期、腿部摆动安全空间和动态平衡稳定性约束整合到COSFM中，确保了模型在物理机器人平台上的稳定可靠部署。

3.3. 实验与验证

研究人员通过仿真和Unitree Aliengo四足机器人的真实世界实验验证COSFM。实验结果表明：

• •
  性能优越：与现有方法（如经典SFM、增强型社会力模型 (Augmented Social Force Model, ASFM) 及DRL方法）相比，COSFM在导航成功率、路径长度、导航时间和最小人机距离等关键指标上均表现出更好的性能。
• •
  社交合规：COSFM产生的规避轨迹更符合人类行为预期，其优先横向规避的特性有效保持了行人的心理舒适区（通常认为需大于0.5米），而DRL方法的最小人机距离（0.117-0.199米）则远低于此阈值。
• •
  鲁棒性与适应性：COSFM在非结构化动态行人场景中展现出良好的泛化性能和鲁棒性，验证了其在真实复杂环境中的应用潜力。

四、 讨论与结论

讨论：论文在相关工作部分系统回顾了基于碰撞预测的SFM改进、聚焦社交合规的SFM优化以及基于DRL的社交导航方法，并指出了它们各自的局限性。现有预测性SFM变体仅优化相互作用力的大小而未改革排斥力的方向，导致因过度依赖减速而产生不可避免的导航效率损失；现有关注社交合规的SFM缺乏基于场景的规则驱动转向决策机制，其社交合规行为的泛化能力差；而DRL方法则存在可解释性弱、效率低、仿真到现实差距大以及对四足机器人运动约束考虑不足等固有缺陷。这些正是本项工作的主要动机。COSFM模型通过统一碰撞预测和正交转向策略，并适配四足机器人运动约束，有效应对了这些挑战。

结论：本研究提出的碰撞感知正交转向社会力模型 (COSFM) 成功解决了传统社会力模型在动态人机交互中的响应延迟和对行人舒适区考虑不足的问题。通过引入碰撞时间预测和社交合规的正交转向策略，并结合四足机器人的运动学特性，COSFM能够在动态人群环境中生成更高效、自然且社会可接受的导航轨迹。仿真和实物实验验证了该模型在导航性能和社交合规性方面的优越性。这项工作为仿生腿式机器人在复杂人机共享环境中的可靠、自然导航提供了有效的解决方案，展现了巨大的应用潜力。