用于实现社会适应性机器人导航的增强型动态窗口方法

《Frontiers in Robotics and AI》：Enhanced Dynamic Window Approach for socially compliant robot navigation

　　摘要
尽管现代深度学习方法在计算上往往成本较高，但传统的局部规划器（如动态窗口方法（DWA）本质上受到其纯粹几何学、“社会盲”特性的限制。本研究介绍了Semantic-DWA，这是一个独特、轻量级且可解释的框架，通过为传统的DWA添加一层关键的语义知识来弥合这一差距。我们的方法利用感知功能将障碍物分类为“人”、“宠物”或“物体”，并实施了一种社交淘汰规则，将特定类别的接近距离边界视为硬性约束。在基于Python的2D模拟器中进行评估的结果表明，虽然标准的DWA导致了多次碰撞和接近距离违规，但Semantic-DWA在所有运行中都没有发生碰撞，保持了明确的安全间距，例如对人为1.00米，对宠物为2.08米。本研究表明，通过最小的扩展，可以为经过验证的局部规划器添加有意义的社交智能，为更安全的人机共存提供可验证和可预测的解决方案。

1 引言
自主移动机器人正逐渐成为日常人类环境的一部分，从医院和办公室到家庭，它们的导航行为在决定人们接受它们的程度方面起着关键作用。在这些环境中，机器人不仅要避免碰撞；它们的动作还应显得有意图、可预测，并且要敏感于指导人类互动的隐含社交规范。尽管动态窗口方法（DWA）因其效率和坚实的几何基础而被认为是有效的、广泛使用的局部规划方法，但其传统形式并没有区分导航过程中遇到的不同类型的障碍物。如果规划器不能区分人和椅子或宠物，它可能会生成突然或侵入性的动作，导致侵犯个人空间（接近距离），最终引起附近人的不适或不信任。为了解决这一限制，大量研究试图为机器人配备模拟或推断类似人类导航行为的机制。例如，逆强化学习（IRL）方法已被提出，以揭示人类在绕过他人时表现出的潜在决策模式，使机器人能够复制社会兼容的轨迹（Kretzschmar等人，2020a）。其他研究则专注于通过基于特征的轨迹模型预测人类运动，使机器人能够估计与人类互动最可能发生的位置并据此规划其行为（Kretzschmar等人，2020b）。尽管这些方法提供了先进的行为洞察，但它们的高计算要求和较低的可解释性往往限制了它们在安全关键或资源受限系统中的应用。另一种越来越受到关注的方法是结合语义信息。与仅依赖几何表示不同，语义导航整合了机器人对其所处环境中交互对象的理解。这使系统能够应用行为上适当的约束和响应。先前的工作已经证明，语义辅助的SLAM可以利用动态障碍信息来过滤或重新解释环境特征，从而实现更稳定的映射（Song等人，2025）。类似的想法也被应用于局部规划框架中，例如语义优先导航，其中轻量级分类器根据障碍物的语义类别对其进行标记并修改惩罚函数（Wang等人，2023）。
在这些发展的基础上，本研究提出了对经典DWA的一种更可解释的扩展。核心思想很简单：为规划器提供足够的语义意识，以区分不同类型的障碍物（如人、宠物和静态物体），并在运动规划过程中强制执行特定类别的接近距离约束。该框架将感知和规划分为两个部分。首先由感知模块为障碍物分配语义标签，然后修改后的DWA将这些标签纳入其轨迹评估过程。任何进入与特定障碍物类别相关的预定义社交边界的候选轨迹都会被立即拒绝。通过这种方式，社交合规性被视为严格的约束，而不是软性的优化偏好。本文介绍了Semantic-DWA系统的完整设计、原理和实现，并使用基于Python的轻量级模拟器进行了评估。所提出的方法保留了传统DWA的效率和简洁性，同时引入了适度但有意义的社会意识水平，使机器人能够以更安全和自然的方式在人类环境中导航。
尽管在先前的工作中已经研究了具有语义和上下文意识的机器人导航，但当前的大部分文献都集中在依赖于复杂感知管线和大型训练数据集的学习基决策模型上。这些方法通常旨在通过端到端或部分学习的策略来优化导航行为。相比之下，本工作的贡献不在于语义感知本身，而在于展示了如何通过简单且可解释的机制将最小的语义信息集成到经典局部规划器中。通过在动态窗口方法中强制执行社交约束作为硬性淘汰规则，所提出的方法强调了可解释性、可预测的行为以及与现有导航堆栈的兼容性——这些属性对于注重安全的资源受限机器人系统尤为重要。

2 相关工作
关于机器人如何在人类环境中导航的研究涵盖了几个重叠的主题，将这些主题一起考虑有助于理解本研究所在的位置。尽管相关文献范围广泛，但有四个领域特别具有影响力：具有社交意识的导航、对动态窗口方法的改进、基于学习的方法，以及最近向语义或上下文丰富的规划的转变（El Noor等人，2025）。

2.1 具有社交意识的导航
随着机器人侵入了一些曾经由人类占据的区域，文献中反复出现的一个最常见问题是，如何让它们的行为在社会上被认为是合理的。M?ller等人的调查也详细讨论了这个问题，他们指出，仅仅不与人发生碰撞是不够的，人们还希望机器人的行为模仿他们在人类互动中观察到的行为模式（M?ller等人，2021）。这一主题也反映在自动化车辆创新的研究中，研究人员指出，机器人不仅需要避免与人发生碰撞，还需要其行为反映他们在每次人类互动中观察到的模式（Dong等人，2025）。许多此类研究致力于接近距离的研究。关于具体环境中人机互动的研究表明，人类对于机器人与其之间的接近距离有相对固定的期望（Kim等人，2024）。一些学者甚至将这些期望转化为明确的计算约束，使社交距离成为一个规划器无法跨越的障碍（Jang和Ghaffari，2024）。当前的方法不是在优化模型中将社交区域编码为连续约束（Jang和Ghaffari，2024），而是在反应型规划器中使用接近距离限制作为离散的可行性过滤器。这种差异指出了通过轨迹淘汰来实现社交合规性的作用，而不是通过成本 shaping。其他研究则不同地考虑了行人对自主和人为驱动的代理的反应，提供了关于机器人应该如何改变行为以避免显得过于突然或不可预测的线索（Lanzaro等人，2023；Boldrer等人，2022）。结合这些概念，许多作者认为，机器人在与人互动时需要具备一定的自然智能，而不仅仅是生活在他们周围和工作在他们身边（Banda和Chandra，2025）。
导航研究还采用了不同的规划策略来解决这一挑战。反应型框架中的速度障碍（VO）方案帮助机器人观察人群重新定位时的运动惯例（Thyri和Breivik，2022），而基于优化的计划（如MPC和动态程序规划器）则旨在影响更长时间范围内的社会可接受路径（Lin和Lin，2024；Tran等人，2024）。这一领域的典型挑战之一是，不同的个体对距离或谨慎程度的偏好不同，新研究试图更明确地解决这一问题（Shibata等人，2023）。尽管出现了新的方法，但DWA仍然是局部运动规划中的主力，因为它稳定、相对容易调整且计算成本低廉。它的长期使用促进了不断的发展。现场机器人也受益于其中的一些改进，例如用于导航果园或农用机器的规划器基于DWA的修改版本以适应不规则或半结构化环境（Luo等人，2025a；Wang等人，2025）。其他研究人员还将其泛化用于处理协调行为，例如机器人的编队（Cao和Nor，2024），或修改以适应三维运动，使无人机能够通过狭窄或拥挤的空间（Bes等人，2025）。混合策略也很常见。例如Yao等人使用模糊逻辑和能源相关考虑作为DWA的经典公式的一部分，证明了该算法可以在不损害其反应本质的情况下强调各种操作约束（Yao等人，2024）。这一持续的更新流表明，社区认为在现有规划器的基础上进行扩展是有价值的，而不是放弃它，因此我们也致力于构建相同的框架并向其中添加新的逻辑层。

2.2 动态窗口方法（DWA）的最新发展
DWA因其稳定性、相对的全控制性和轻量计算而经受住了时间的考验，超越了其他较新的方法。它的持久性促进了持续的适应性改进。其中一些改进是针对现场机器人的，例如用于果园导航或农用机械的规划器已经适应了不规则或半结构化的环境（Luo等人，2025a；Wang等人，2025）。其他作者还将其泛化用于处理协调行为（例如机器人的编队）（Cao和Nor，2024），或修改算法以支持无人机在狭窄或拥挤环境中的操作（Bes等人，2025）。混合方法也很常见。例如Yao等人将模糊逻辑和能源考虑纳入常见的DWA公式中，并证明通过修改该方法，可以在保留其主要反应性质的同时体现各种操作限制（Yao等人，2024）。这种不断的更新流表明，社区相信在现有规划器的基础上进行扩展是有价值的，而不是放弃它，这就是为什么像我们的这样的努力是为了在不破坏结构的基础上添加一些额外的论据层。

2.3 基于学习的导航
其他重要的研究工作涉及使用基于学习的方法来解决变化环境中的导航问题。深度强化学习在行为需要适应快速变化的环境时特别受欢迎。DRL已被用于解决自主车辆导航策略的训练问题（Sivayazi和Mannayee，2024），并优化奖励信号以获得更平滑或更稳健的轨迹（He等人，2025）。DRA版本也被应用于海洋机器人领域，其中代理必须处理复杂水条件下的不确定性（Huang等人，2025）。另一种类似的方法，逆强化学习，试图通过观察行为来学习人类偏好。例如，IRL已被用于解释道路使用者对自动驾驶汽车的反应，这有助于机器人模仿社会上可接受的反应（Alozi和Hussein，2024）。尽管这些基于学习的系统确实很强大，但它们的决策过程通常是不可见的——当机器人需要在人类环境中辩护或解释其行为时，这是一个问题。
这些组件之间的数据序列流的概念表示在图1中展示。这种集成的感知和规划周期的本质在算法1中以统一的形式提出，其每一步在以下小节中进一步解释。

2.4 规划中的语义和上下文
该领域更当前的趋势是转向使用语义信息，而不仅仅是使用几何地图。一个很好的例子是语义分割，它使机器人能够在没有GPS的情况下，根据相机信息中找到的有意义的标签来探索诸如果园这样的区域（Navone等人，2025年）。同样的技术也被应用于其他任务中，例如在农业场景中自动创建导航线路（Luo等人，2025b年），或者改进SLAM流程，以防止移动物体破坏地图（Chen等人，2025年）。在更高级的任务中，语义线索也扮演着越来越重要的角色——执行关键任务的巡检或监控机器人也使用物体的分类来解释感知到的图像并做出决策（Hu和Gan，2025年）。最近的研究甚至讨论了如何将大型语言模型集成到导航系统中，使机器人能够更深入地理解社会环境和情境指标（Lamichhane等人，2025年）。所有这些都在表明一个趋势：那些结合了有关环境信息的规划器往往比那些假设一切都是无名困难的规划器表现得更加智能。当前的研究以一种更轻量化和简单的方式继续这一概念，通过整合语义标签和已经建立的动态窗口方法（DWA）。许多当前的社会导航方法在软成本函数或基于力的交互模型中包含了社会意识，比如经常在基于ROS的社会导航系统中使用的社交力模型或分层成本图技术。这些方法并不禁止社会上不受欢迎的行为，而是对其予以惩罚。在这项工作中，我们有意将实验范围限制在标准的动态窗口方法上，以便只隔离将语义约束应用于同一规划框架的效果。与根本不同的规划器或基于学习的系统进行比较将引入更多关于感知流程、训练数据和参数化的假设，可能不容易将行为变化归因于所提出的语义排斥机制（Helbing和Molnár，1995年）。

**3 提出的方法**
本节全面详细描述了提出的社会意识机器人导航框架，该框架结合了用于语义分类的感知功能、用于近身意识的社会排斥规则，以及在一个轻量级的Python模拟中实现的改进版动态窗口方法（DWA）局部规划器。

**3.1 算法1：语义-DWA模拟循环**
**算法1**
输入：
- 当前机器人状态
- 目标位置
- 所有障碍物列表

输出：
- 最优速度
- 可能的轨迹 ← GENERATE_TRAJECTORIES(当前机器人状态)
- 最小成本 ← ∞∞
- 最佳速度 ← 当前机器人状态的速度

对于可能的每条轨迹：
如果 is_socially_invalid ← FALSE，则执行以下操作：
对于所有障碍物列表中的每个障碍物：
计算最小距离（min_dist）
如果障碍物类型为“宠物”且最小距离小于PET_THRESHOLD，则设置 is_socially_invalid 为 TRUE
否则，如果障碍物类型为“人”且最小距离小于PERSON_THRESHOLD，则设置 is_socially.Invalid 为 TRUE
否则，如果障碍物类型为“物体”或“干扰物”且最小距离小于OBJECT_threshold，则设置 is_socially_invalid 为 TRUE
结束if
如果 is_socially_invalid 为 TRUE，则继续
否则，计算目标成本（goal_cost）和障碍物成本（obstacle_cost），以及速度成本（speed_cost）
总成本 ← 目标成本 + 障碍物成本 + 速度成本
如果总成本小于最小成本，则更新最小成本（Min_Cost）和最佳速度（Best_Velocity）
从轨迹中获取速度（GET_VELOCITY_FROM_TRAJECTORY(轨迹)）
结束if
如果有 best_Velocity 未改变，则最优速度命令（Optimal_Velocity_Command）为零速度（ZERO_VELOCITY）
否则，最优速度命令（Optimal_Velocity_Command）为最佳速度（Best_Velocity）

**3.2 系统架构和数据流**
图1展示了系统的整体布局，该系统实现在一个轻量级的Python模拟器中，以2D形式表示。模拟环境有一个简单的世界模型，包括一个机器人和一组根据其分配的行为移动或静止的障碍物。障碍物具有三个主要属性：位置、运动模式（仅对于移动障碍物）以及语义标签，这些标签可以是人、宠物或物体。这些标签是对规划器的真实分类。模拟器没有构建一个完整的感知流程，尽管在本研究的范围内这是必需的，但规划器可以直接访问这个障碍物列表。这种安排使我们能够在没有传感器建模噪声和不确定性的情况下，单独测试导航逻辑。在每个模拟周期中，改进的DWA规划器将这个列表作为输入。规划器使用语义信息来过滤轨迹，然后应用标准的几何评分，以便社会上不可接受的动作不会进入优化部分。在规划器确定了最优候选轨迹后，相应的速度命令会被反馈到模拟循环中。然后使用该命令来更新机器人的位置，程序继续进行。结果是一个简洁透明的流程，其中感知（简化后）作为输入直接连接到一个具有社会意识的DWA规划器，后者指挥机器人的运动。图2展示了这一过程。

**3.3 感知和社会障碍物分类**
由于我们模拟环境中的所有障碍物的语义类型都已经存在，因此分类不再是一个独立的模块，而是规划循环的一部分。每次规划器开始一个周期时，它都会分析每条可行的路径，并确保每条路径都与环境中的所有障碍物发生碰撞。算法会找到每个障碍物的类型标签，并计算障碍物与候选轨迹之间的最小距离。然后将这些距离与类别相关的阈值进行比较——一个人的个人空间边界与小型宠物或不可移动物体的边界不同。当发现某条轨迹穿越了这些指定的限制之一时，它就被标记为社会上无效的，并被淘汰。这种设置形成了一种理想的感知方式。这项工作解决了在已知语义理解的情况下规划器的行为问题，而不是机器人学习标签的过程。通过直接将分类过程纳入轨迹筛选过程，可以确保成本函数从不考虑任何不满足物理安全标准和社会舒适标准的路径。

**3.3.1 近身阈值选择**
语义-DWA规划器实施了反映人类-机器人交互文献中常见报告的近身规范的具体类别最小距离阈值。在本研究中展示的实验中，使用了以下阈值：
- 人：1.0米，对应于近身理论中报告的个人-社会空间边界，并在实证人机交互（HRI）研究中被观察到。
- 宠物：2.0米，反映了与成人相比更高的运动不确定性和可预测性降低。
- 静态物体/干扰物：0.6米，与移动机器人导航中常用的保守间距保持一致。
这些值被认为是具有代表性的，而不是最优的，框架本身对具体阈值保持中立，允许根据应用情况进行调整，而无需修改规划器逻辑（Hall，1966年）。

**3.4 社会意识动态窗口方法（Semantic-DWA）**
改进的DWA规划器的结构与经典算法相同，但包括了一个重要的过滤过程。一旦规划器在动态窗口内生成了多条可行的轨迹，每条轨迹都会经过上述的社会排斥检查。这意味着近身约束被转化为难以满足的约束，任何进入社交区域的路径都会被直接丢弃。经过这样的过滤后，规划器才会计算典型的DWA成本，包括目标导向性、障碍物清除以及前进速度。规划器也不处理几何上最优的解决方案可能在社会上不被接受的情况；这是因为规划器首先排除了符合社会规范的轨迹。这种过滤的结果只是通过这一集合的最便宜路径，或者当没有识别出有效路径时，会是一个零速度程序，使机器人停止。这使得机器人具有直观的行为特征：当路径畅通时它容易移动，但当路径上有一个人或宠物时，它会减速或转弯，即使存在技术上无碰撞的捷径。

**3.5 数学公式化**
本节正式化了指导规划器决策过程的成本函数。我们首先介绍经典DWA的目标函数，然后详细说明我们新颖的社会排斥规则及其在改进规划器中的集成。

**3.5.1 传统DWA成本函数**
传统动态窗口方法（DWA）通过评估一组可行轨迹来选择最优速度命令（v, ω）。给定轨迹的得分G(v, ω)是几个竞争目标的标准化加权和。该函数通常表示为方程1：
G(v, ω) = σ(α?heading(v, ω) + β?dist(v, ω) + γ?vel(v, ω)
其中：
v 和 ω 是线速度和角速度。
heading(v, ω) 是与机器人朝向目标方向对齐的成本。
dist(v, ω) 是代表到最近障碍物距离的成本。
vel(v, ω) 是奖励保持高前进速度的效用函数。
α、β 和 γ 是平衡这些目标的权重参数。
σ 是一个归一化函数，用于缩放总分数。

如方程1所示，这种公式化纯粹是几何的，没有考虑它避开的障碍物的语义类型。

**3.5.2 语义-DWA社会排斥规则**
我们的主要贡献是用基于障碍物语义类别的约束规则代替了简单的加性惩罚。我们不是计算额外的惩罚，而是检查一条轨迹是否在社会上是合规的。当轨迹上的所有点p到所有分类为社交障碍物的o之间的距离大于或等于给定类型障碍物的近身阈值Do.type时，该轨迹被视为合规的。这个条件表示为方程2：
is_socially_compliant(traj) = ?o∈Osocial, ?p∈traj: dp(o) ≥ Do.type
其中Do.type 是障碍物o的语义类别的预定义近身阈值（PERSON_THRESHOLD, PET_THRESHOLD等）。
然后通过分段函数确定轨迹的最终成本，该函数要么应用标准的DWA成本，要么完全排除路径。如方程3所示：
Cost_modified(traj) = {
G(traj), 如果 traj 是社会上合规的
G(traj), 如果 traj 是社会上合规的
{∞, 否则
}
这个规定确保任何超过社会阈值的路径都会被自动排除。规划器的任务是从现在选定的社会合规选项集中识别出成本最低的路径。这使得原本只是软性建议的社会规则变成了硬性约束，以确保只要存在有效的方式，行为就是合规的。整个过程可以在图3中看到。

**4 实验设置和评估指标**
为了确认我们提出的Semantic-DWA框架的有效性和功能性，我们在一个简单、可重复的2D模拟中进行了一系列比较实验，该模拟可以复制。总体目标是以定量和定性的方式评估我们修改后的规划器，与标准DWA进行对比。

**4.1 实验设置**
为了测量Semantic-DWA行为与标准版本规划器的行为差异，我们在Python（NumPy和Matplotlib）中构建了一个简单但受控制的模拟空间，并在Google Colab上运行了所有实验。这种安排的意图不是进行高保真度的物理模拟，而是提供一个清晰且可重复的环境，以便容易观察行为差异。模拟世界是一个20 × 20米的正方形。机器人从坐标(2.0, 2.0)开始，并被指令到达地图对角线上的目标(18.0, 18.0)。沿着这条路径，我们放置了四个障碍物，以反映日常生活中常见的互动类型：
- 一个在垂直线上来回移动的“人”。
- 一个遵循更不规则曲线路径的“宠物”，以模拟小型动物的不可预测运动。
- 一个静止的物体，位于机器人通往目标的最短路径上。
- 一个横向移动的“干扰物”，但它不代表一个社会实体。
每个障碍物的运动和标签在整个实验过程中保持一致，允许在相同条件下测试两个规划器。
比较了两种规划器配置：
- 标准DWA，仅使用几何标准，如与障碍物的距离、朝向目标的航向和前进速度。
- Semantic-DWA，它在常规成本评估之前包括社会排斥规则和基于类别的近身边界。
这种设置确保任何性能差异都可以追溯到语义过滤的存在与否。为了公平起见，两种规划器都配置了相同的动态窗口参数。线性速度范围被设定为[0, 1.0] m/s，角速度范围被设定为[?1.0, 1.0] rad/s。轨迹模拟的时间范围是2.0秒，分辨率为0.1秒。成本权重被设定为α = 0.6（目标方向）、β = 0.2（障碍物避让）和γ = 0.2（速度偏好）。这些参数被保守地调整，以避免使任何规划器偏向于激进的运动。

4.2 假设和评估范围
在这项研究中，假设障碍物的语义标签提供了仿真的真实情况。做出这样的设计决策是为了隔离并测试所提出的Semantic-DWA规划器的行为，而不考虑感知中的不确定性。在实际导航中，包括误分类、漏检和传感器噪声在内的感知错误是导致失败的重要原因。然而，这些方面最终会将规划器的判断逻辑与感知相关的偏见混合在一起。这项工作没有考虑规划层的实现，也没有考虑由于假设完美感知而强加语义社会约束作为硬性淘汰规则的影响。所提出的方法有很大的潜力，未来的发展方向包括扩展其功能以处理噪声感知管道（例如，使用视觉或基于LiDAR的语义分割），并在真实机器人上测试该方法（例如，在基于物理的模拟器中，如ROS/Gazebo）。在实际应用中，误分类或错误的遗漏可能导致错误地设定阈值，这反过来可能导致过于保守的行为或不足的避让。然而，所提出的框架是模块化的：语义标签作为外部输入被接收进来，可以添加考虑不确定性的感知模型或概率分类置信度分数，而无需改变规划器的结构。例如，当分类的置信度较低时，可以使用保守的回退阈值，在不确定的情况下确保安全。

4.3 评估指标
我们使用定量和定性指标的组合来评估规划器：
碰撞检查（安全性）。在整个模拟过程中，机器人被建模为具有0.5米的物理半径。如果机器人的边界在任何时间点与任何障碍物的位置相交，则标记为碰撞。这个二进制指标提供了基本安全性的清晰指示。
最小避让距离（社会合规性）。对于每个障碍物，我们记录了机器人在整个路径中最接近的距离。这些值显示了规划器对个人空间和社会空间的尊重程度，尤其是对于像人或宠物这样的动态实体。
轨迹图和动画（定性）。机器人的运动往往揭示出单独的指标无法捕捉的模式。我们生成了两种规划器轨迹的动画，允许并排比较其行为，特别是在评估某个动作是否“社会可接受”时非常有用。
总体而言，这些指标提供了对机器人性能的平衡视图，既包括它是否达到了目标，也包括它如何穿过共享空间。

5 结果和讨论
为了验证我们提出的Semantic-DWA框架，我们进行了与基准Standard DWA的比较模拟研究。本节展示并分析了这些实验的定量和定性结果，证明了我们的方法在产生社会合规和安全导航方面的有效性。

5.1 基准性能：标准DWA
在将标准DWA通过测试环境运行几秒钟后，其局限性就显现出来了。由于规划器仅考虑几何方面，它也更倾向于选择激进地接近目标的路径，而在可能采用更慢和更符合社会责任的路线的情况下也是如此。在我们的测试中，这种行为导致了三次不同的碰撞：第一次是与个人碰撞，第二次是与宠物碰撞，第三次是与移动路径中的物体碰撞。这种倾向得到了最小避让距离的支持。机器人与个人之间的距离≥0.35米，与宠物的距离>0.36米，这两者都在机器人的物理半径（0.5米）范围内。图4：标准DWA—左侧面板中的直线路径直接穿过环境，没有考虑到障碍物是动态的还是对社会敏感的。这补充了规划器的设计：它没有区分所有障碍物的重要性或敏感性，也没有系统来解释它们的重要性。

5.2 提出的方法性能：Semantic-DWA
相比之下，Semantic-DWA展示了明显不同的运动风格。当激活了社会淘汰规则时，规划器立即排除了任何侵犯个人、宠物或其他障碍物接近界限的轨迹。结果，机器人完成了运行而没有发生任何碰撞。
避让距离反映了规划器更加细致的行为：
- 与个人的最小距离：1.00米
- 与宠物的最小距离：2.08米
- 与静态物体的最小距离：0.87米
- 与干扰物的最小距离：0.76米
这不仅是远超过物理限制的安全距离，这些数字还表明，进行规划的个体区分了不同类型的障碍物。例如，它在与宠物互动时保持了最大的距离——这与假设宠物可能会随意移动是一致的——而在与静止物体互动时则允许更近的避让。这种行为通过轨迹图体现出来，机器人围绕动态且社会相关的物体绕行更多的圈，而围绕静止物体的圈则较少。在评估中，当动态窗口中没有社会可接受的轨迹时，会发生零速度回退情况。在实验情况下，在有密切动态交互时偶尔会出现这种情况，但这从未导致持续的僵局。在更拥挤的环境中，可以添加放松策略，包括逐步降低阈值或基于时间的恢复行为，以防止长时间停止。

5.3 比较分析
表1中总结的定量数据提供了两种方法之间清晰且有说服力的比较。

表1：指标/障碍物
标准DWA | Semantic-DWA（提出的方法）
- 检测到的碰撞：是（3） | 否（0）
- 与个人的最小避让距离：0.35米 | 1.00米
- 与宠物的最小避让距离：0.36米 | 2.08米
- 与物体的最小避让距离：0.47米 | 0.87米
- 与干扰物的最小避让距离：1.74米 | 0.76米

结果总结在表1中，但我们可以得出更大的结论。首先，所提出的方法不仅在安全方面有所保障。不同类型障碍物之间的避让距离并不统一，这表明机器人并不是一个普遍谨慎的机器人，而是一个选择性地保护的机器人。这正是我们在具有周围环境感知能力的机器人中所期望的。其次，Semantic-DWA不会允许任何碰撞发生，但它要么过于宽松，要么反应过度，而不是首先防止社会上有问题的轨迹。这种转变对规划器的决策环境有着重大影响：规划者不再需要在实现目标进度和解决障碍物之间做出权衡；系统甚至无法考虑已经满足最小社会条件的路径。最后，行为上的改进证明了可以通过相对较小的修改来实现有意义的社会合规性。该算法不依赖于强大的预测模型或深度学习，仅在轨迹过滤阶段使用语义标签和接近性约束。通过这种方法的简便性，它支持了将语义上下文作为经典规划的自然延续的观点。
需要指出的是，测试是在一个障碍物轨迹固定的受控环境中进行的。尽管这便于直接比较行为，但在更大且随机化的障碍物配置中对行为进行统计验证将进一步提高其泛化能力。这项长期评估将在未来进行。此分析的可视化结果见图5。

图5：标准DWA与Semantic DWA的比较图。

6 结论
这是试图填补经典局部规划器中的一个古老缺陷：它们不知道自己正朝哪个方向移动。标准DWA是一种快速可靠的处理方式，但所有障碍物都被以相同的方式处理，我们的基线实验反映了这一弱点。规划者在有人、宠物和位于不同位置并以不同速度移动的静止物体存在的情况下，选择了在几何上高效但不符合社会规范的路径，从而导致它们之间的碰撞。这里提出的替代方案是Semantic-DWA框架，这是一个简单但有效的框架。通过包含语义标签并对类别施加接近性边界的确切约束，规划器获得了额外的推理层次，而不会牺牲原程序的透明度和计算效率。这种变化可以完美模拟，因为机器人成功地完成了导航，没有任何碰撞，并且其行为更符合人们对个人空间和舒适度的期望。重要的是，该方法是可以解释和检验的。与基于学习的系统不同，这些系统的决策过程不透明，Semantic-DWA在考虑剩余候选路径之前，明确排除了违反社会边界的路径。这使其成为一种可行的措施，适用于需要可预测性和可解释性的环境中的环境意识导航。总体而言，研究发现表明，通过对经典规划器进行小的扩展，可以使它们变得更加具有社会智能。尽管是在具有完美语义感知的受控环境中进行的测试，但这种简化区分了规划器的行为；未来的分析将包括加入噪声感知，并在现实和真实的环境中测试该方法。