学术研究报告：基于人类轨迹预测与混合感知的移动机器人社会性群体导航系统

1. 研究作者与发表信息
本研究的作者团队包括：Hao-Yun Chen与Pei-Han Huang（均来自台湾国立大学电机工程学系），以及Li-Chen Fu（台湾国立大学人工智能与先进机器人中心）。研究成果发表于期刊《Autonomous Robots》2023年第47卷，文章标题为《Social crowd navigation of a mobile robot based on human trajectory prediction and hybrid sensing》，于2023年4月25日在线发表。

2. 学术背景与研究目标
随着机器人在日常生活中的普及，其在动态密集人群环境中的导航能力成为关键挑战。传统导航算法（如A*算法、动态窗口法）将环境视为静态，忽略人类运动的动态性，易导致机器人行为违反社会规范（如侵入人群间隙）或引发“冻结机器人问题”（freezing robot problem）。为此，本研究提出一种分层导航系统，结合计算机视觉与激光雷达（LiDAR）的混合感知技术，预测人类轨迹并分析群体聚类，最终生成高效、安全且符合社会规范的机器人路径。

研究目标包括：
- 开发多传感器融合的人类检测与跟踪模块；
- 设计基于生成对抗网络（GAN）的人类轨迹预测模型；
- 构建分层路径规划框架，结合全局路径规划与动态局部控制。

3. 研究方法与流程
研究分为三个核心模块，具体流程如下：

3.1 人类检测与跟踪模块
- 传感器配置：使用ZED2相机（110°水平视场）与Velodyne VLP-16激光雷达（360°视场）。相机负责高精度人体检测，激光雷达提供3D定位。
- 标定与融合：通过Kabsch算法标定激光雷达与相机坐标系，将激光雷达点云投影至图像坐标系，结合立体视觉检测结果实现精准定位。
- 动态跟踪：对激光雷达点云进行欧几里得聚类（Euclidean clustering）与Haselich分割-合并算法（split-merge clustering），利用无迹卡尔曼滤波（Unscented Kalman Filter）跟踪人体运动轨迹。当人体移出相机视场时，仍通过激光雷达持续追踪。

3.2 人类状态分析模块
- 轨迹预测：采用SocialGAN模型（基于RNN编码器-解码器结构）预测多模态人类轨迹。该模型通过生成对抗训练学习社会规范，避免预测结果出现“碰撞倾向”。
- 群体聚类：使用DBSCAN算法（基于位置与运动方向的三维空间聚类）识别人群组，避免机器人侵入群体内部空间。聚类结果转化为全局路径规划中的高成本区域。

3.3 分层导航系统
- 全局规划：改进A*算法，新增“群体聚类层”成本地图，生成绕行群体外围的参考路径。
- 局部控制：基于时间弹性带（Timed Elastic Band, TEB）算法优化轨迹，融入动态障碍物约束。通过线性插值将预测的人类轨迹关联至机器人状态的时间步，实现动态避障。

4. 主要实验结果
4.1 公开数据集测试（ETH与UCY）
- 成功率：在ETH_hotel场景中达到92.07%，显著高于传统TEB（79.02%）与动态通道法（Dynamic Channel, 46.12%）。
- 行为分析：机器人表现出自然避让行为，如侧向绕行（图13）、跟随低速人群（图14）或礼让高速行人（图17）。

4.2 仿真环境测试
- 社会友好性：机器人与行人平均距离为3.43米，优于TEB（3.15米），且无碰撞发生。
- 效率：导航时间与TEB接近（30.41秒 vs 29.08秒），但路径更符合社会规范。

4.3 真实场景验证
在室内环境中，机器人成功完成30次往返任务，平均导航时间较DWA（动态窗口法）缩短28.2%。定性结果显示，机器人能自主选择“侧向绕行”“跟随”或“礼让”等策略（图23-25）。

5. 研究结论与价值
本研究提出了一套完整的群体导航系统，其科学价值体现在：
- 方法论创新：首次将SocialGAN轨迹预测与DBSCAN群体聚类结合，提升路径的社会合规性；
- 技术整合：多传感器标定与分层规划框架为动态环境导航提供通用解决方案。
应用价值包括服务机器人、AGV（自动导引车）在医院、商场等密集场景的部署潜力。

6. 研究亮点
- 混合感知：激光雷达与相机的协同利用解决了单一传感器视场或精度限制；
- 动态分层规划：全局路径的“社会成本”映射与局部TEB的动态约束优化；
- 真实场景验证：在仿真与实物平台均验证了系统的鲁棒性。

7. 其他贡献
研究开源了传感器标定与聚类算法代码，为后续研究提供基准工具。此外，实验设计涵盖反向行走、同向跟随、交叉路径等多种交互场景，系统性验证了算法的普适性。