一种名为 H2INT 的机器人导航系统，让移动机器人仅凭行人的相对位置，就能穿行于密集人群之中，无需获取视线、身体朝向或速度估计，也不需要明确标注谁在对机器人做出反应。该系统通过两阶段门控 Transformer 与循环记忆建模人与人、人与机器人之间的互动；同时，响应性课程学习提升了训练稳定性。搭载 LiDAR 的机器人还在室内场馆中成功抵达目标。
目录
研究人员构建了什么
H2INT 是一种面向人群环境的机器人导航策略，适用于行人行为难以预测的场景。系统没有假设每位行人都会注意到机器人并以相同方式做出反应，而是对多种行为模式进行建模：有些人会因为机器人而调整路线，另一些人则独立行走。每名行人的响应倾向对机器人而言都是隐变量，并且会随时间持续存在，因此这一问题更接近真实人群中的行为模式。
机器人从传感器获取行人的相对位置，但无法获得行人的视线方向、身体朝向、注意力标签或速度估计。这样的稀疏输入迫使策略根据人群随时间的变化来推断互动模式。
模型的核心包含两个门控 Transformer 阶段。第一阶段构建机器人与附近行人之间关系的初始表示；第二阶段则结合已经提取的互动特征，进一步细化这一表示。每层都由 GRU 风格的门控机制控制新信息的进入量，而不是依赖固定的残差连接。
随后，循环策略核心在不同时间步之间传递信息。Transformer 与循环记忆协同工作，使系统能够在人群规模可变的情况下直接选择动作。系统通过采用 PPO 训练的 actor-critic 强化学习策略输出移动指令。
关键结果
研究人员在 CrowdNav Circle Crossing 环境中评估了 H2INT，并使用训练阶段未见过的三种结构不同的人群流动模式进行测试。评估重点是：当行人的响应程度和人群密度发生变化时，机器人能否保持导航性能。
在测试的不同响应区间和人群规模下，完整的 H2INT 模型展现出最稳定的成功率趋势。单阶段 Transformer 在所有测试设置中表现更差，说明分两阶段细化互动特征确有价值。用平均池化替代注意力机制后，系统在人群响应最弱时性能下降最为明显，这表明简单地对特征求平均会丢失人群内部的重要关系。
标准 Transformer 残差连接在最高人群密度下也变得不够可靠。门控更新帮助网络在人际互动变得更加复杂时控制信息流动。
与突然在固定难度下训练相比，课程学习带来了更快的平均回报提升和更低的方差。该课程逐步提高忽略机器人的行人占比，帮助策略从合作性较强的场景逐渐过渡到更不确定的场景。
真实世界测试将该策略迁移到一台使用 LiDAR 行人检测结果的移动机器人上。机器人在人群穿过行进路线时无碰撞抵达目标，证明了系统具备部署可行性，但这并不是一项具有广泛统计意义的实地基准测试。
工作原理
H2INT 将观测到的每组行人关系转换为一个 token。Token 是一种紧凑的特征向量，用于表示场景中的一个元素。机器人本身拥有专属 token；每名附近行人则通过一个以机器人为参照的边 token 表示，其中包含相对位置等几何信息。类型嵌入用于区分机器人 token 与行人关系 token，位置编码则保留其结构身份。
自注意力机制让每个行人 token 都能与其他 token 交换信息。这意味着，对某个人的表示可以反映其所处的整个人群，而不是把每名行人都视为孤立障碍物。这样便能间接建模人与人之间的互动，无需明确估计行人速度。
第一个门控 Transformer 阶段执行初步的关系更新。在经过注意力层和前馈网络后，GRU 风格的残差门决定新特征应在多大程度上替换或修改原有表示。第二阶段在已经丰富的特征上重复这一过程，生成更加精细的、以机器人为中心的互动摘要。
掩码机制会阻止填充项在行人数少于模型设定上限时被误当作真实行人。不过，计算量仍会随填充后的序列长度增长，因此过大的感知范围或人群上限可能增加运行开销。
经过细化的上下文向量会输入循环 actor-critic 网络。其 GRU 保存时间信息，帮助策略根据连续的位置观测推断运动趋势。Actor 输出移动动作的概率分布，Critic 则估计预期回报。PPO 与广义优势估计共同训练 Transformer 和循环策略。
不同于轨迹预测型规划器，H2INT 不会先为每名行人展开一条未来路径，而是将当前以机器人为中心的观测直接映射为动作分布，从而让在线决策保持相对紧凑。
这对机器人技术意味着什么
当机器人把每个人都视为同样可预测时，人群导航就容易失败。在车站、展览馆、医院或仓库中，有些人会主动让路，有些人根本没有注意到机器人，还有些人会因为其他行人的动作而改变方向。H2INT 无需依赖能够估计视线或身体朝向的摄像头，就能应对这种差异。
这种稀疏感知接口对实际部署很有价值。LiDAR 系统可以提供行人的相对位置，同时避开面部或身体姿态识别所带来的隐私、光照和标定难题。真实机器人试验还表明，该策略能够在检测噪声、局部遮挡以及模拟中未出现的运动模式下运行。
对于需要与工作人员共享通道或作业区域的仓储机器人，这一方法尤其具有现实意义。只要控制系统能够在学习策略周围设置安全限制，它也可以支持在公共空间中运行的服务机器人和配送平台。
其中最重要的设计启示是：感知与行为应当结合起来测试。单纯增加网络容量，无法解决“所有行人都会以相同方式响应”这一模拟器假设带来的问题。
局限与待解问题
目前报告的真实世界评估属于演示，而不是大规模统计研究。一次室内场馆中的成功无碰撞运行，无法证明系统在不同建筑、人群密度、传感器布局或行人文化下都具备可靠性。
该行为模型有意保持简洁。它只表示行人是否会对机器人做出响应，并未建模造成这种响应的更丰富因素，例如距离、相对速度、身体朝向、群体归属或行人的目的地。加入这些被省略的信号可能提升预测能力，但也会增加感知与建模的复杂度。
该架构还对填充后的人群表示执行密集注意力计算。在超大规模人群或算力有限的机载计算机上，运行时间和内存可能成为瓶颈。未来测试需要采用可重复的指标，衡量安全间距、舒适度、人工干预率、计算时间以及传感器数据丢失时的表现。
常见问题
H2INT 能观测到什么？ 它会随时间观测以机器人为中心的行人相对位置，而不是视线、身体朝向、速度估计或明确的注意力标签。
H2INT 能判断某个人是否在注意机器人吗？ 不能。系统将行人的响应性作为隐变量，并通过运动反馈学习其行为后果。
为什么 H2INT 使用两个 Transformer 阶段？ 第一阶段构建互动特征，第二阶段对其进行细化；在测试中，这种方式优于单阶段替代方案。
H2INT 是否在实体机器人上进行过测试？ 是的。一台搭载 LiDAR 的移动机器人在室内展览场馆中使用该策略，并在报告的试验期间无碰撞抵达目标。
结论
H2INT 将门控关系注意力与循环记忆结合起来，帮助机器人在人群响应各不相同且难以直接观测的环境中进行导航。其仿真对比、未见过的人群流动测试以及实体机器人演示，展现了稀疏传感器社会导航的一条切实可行的方向；不过，仍需开展更广泛的实地评估。
人群导航机器人究竟应优先采用更丰富的人类感知，还是加强从稀疏几何信息中进行推断的能力？