✨ 要点🔬 技术摘要
想象一下你是一位导演，正试图为一部关于机器人在繁忙医院中行走的电影拍摄一个场景。在过去，为了让这些“演员”（数字人）表现得正确，你必须手动告诉每一个人的站位、何时行走以及与谁碰撞。这就像是在编排一场舞蹈，你必须为数百名舞者写下每一个细微的舞步。如果你想把场景从“宁静的早晨”改为“匆忙的疏散”，你就必须从头开始重写整个剧本。
GROVE 是一个改变了我们创建数字人群方式的新工具。你不再需要编写剧本，只需直接与计算机对话 。你可以说：“制作一个繁忙的医院走廊，人们因为警报而正向出口冲刺，”或者“创建一个在药房柜台前排队的人群。”GROOVE 会瞬间构建出那个完全符合要求的逼真模拟场景。
以下是它的工作原理，分为几个简单部分：
1. “大脑”与“图书管理员”（RAG 与 LLM）
可以将 GROVE 想象成拥有两个主要助手：
图书管理员 (RAG)： 在计算机尝试编写场景之前，它会先检查一个包含大量预写“行为笔记”的图书馆。如果你要求一个“队列”，图书管理员就会找到关于人们如何排队的特定笔记。如果你要求一个“紧急情况”，它会找到关于人们如何奔向出口的笔记。这能防止计算机凭空捏造（幻觉）或忘记人类实际行为的规则。导演 (LLM)： 一旦图书管理员递交了正确的笔记，导演（大语言模型）就会编写场景的“剧本”。它不仅仅是说“走到这里”，而是创建一个行为树 (Behavior Tree) 。把行为树想象成一个流程图或决策树。它告诉数字人：“如果你看到机器人，请停下。如果你听到警报，请跑向门口。如果你在排队，请等待轮到你。”
2. “GPS”与“流向”（全局规划器与速度场）
仅仅给人们一个剧本是不够的；他们还需要知道如何在不撞墙的情况下移动。
GPS (全局规划器)： GROVE 使用一个智能地图系统（称为 Theta*）为人们绘制隐形的路径。它确保即使“剧本”要求“去药房”，数字人也知道如何绕过家具到达目的地，而不会穿墙而过。流向 (速度场)： 在混乱的情况下（如紧急情况），GROVE 不仅仅是单独告诉每个人该去哪里。相反，它会创造一种隐形的“风”或“电流”（速度场），将整个人群推向正确的方向，就像水流向下游一样。这使得人群能够平滑地共同移动，而不会互相碰撞。
3. “模式”（预设）
为了让事情变得更加容易，GROVE 拥有三个特殊的“模式”或预设，就像手机上的不同相机滤镜一样：
紧急模式： 计算机进入“恐慌模式”。它忽略琐碎的行为，完全专注于以最快的速度让所有人撤离到出口，从而创造出真实的冲刺感。排队模式： 计算机设置一个有序的队伍。它准确地知道如何控制人们之间的间距，以免过度拥挤柜台。常规模式： 这是用于日常生活。人们可能会聊天、成群结队行走，或者停下来观察事物，就像在真实的办公室或家中一样。
为什么这很重要？
旧工具 经常导致人们直线穿墙行走，或者无法形成真实的队列。GROVE 创建的场景看起来和表现起来都更接近真实生活。在测试中，它在“真实性”和“指令遵循度”方面的得分高于其他方法。它能直接与流行的机器人仿真软件（如 Isaac Sim 和 Gazebo）配合使用，这意味着机器人开发者可以使用这些逼真的人群来训练他们的机器人，使其在现实世界中更加安全且更有礼貌。
简而言之： GROVE 将一句简单的文本句子转化为复杂的、逼真的群众模拟。它结合了寻找正确行为的智能“图书管理员”、编写剧本的“导演”以及确保每个人安全移动的“GPS”，这一切都是为了帮助训练机器人在充满人类的忙碌世界中进行导航。
技术摘要：GROVE —— 基于自然语言的交互式社交机器人导航地面行人模拟
问题陈述
行人模拟是训练和部署社交机器人导航系统的关键前提。然而，现有的模拟器存在“僵化”的架构，造成了显著的仿真到现实（sim2real）差距。现有系统通常将场景定义与模拟执行解耦，要求研究人员为每个测试用例手动指定智能体的位置、目标和行为。这种手动瓶颈限制了从业者仅能使用少量固定的、手工构建的场景，而无法覆盖现实世界社交情境中的“长尾”情况。
此外，大多数模拟器在所有智能体身上应用统一的行为模型，将丰富的行为多样性压缩为单一的参数化形式。它们通常仅依赖社会力模型（Social Force Model, SFM）作为导航原语。虽然 SFM 在局部避障方面有效，但缺乏引导智能体穿越复杂环境所需的语义意图和全局路径规划，导致智能体在处理语义目标时出现不合理的行为（例如：穿墙直行，或在人群中无法有目的地导航）。
方法论
作者提出了 GROVE ，一个将自然语言提示词转化为高保真、具有社交挑战性的行人模拟的生成式框架。该系统采用了一个分层且解耦的流水线，将语义推理、行为规划和几何运动规划分离。
1. 系统架构
该流水线分为三个维度：
战略层（语义推理）： 系统从自然语言输入中提取感兴趣区域（RoIs）。它利用一个编码了空间和语义信息（区域、门、实体）的结构化 world.yaml 文件。LLM 将用户提示词与这些元数据进行匹配以识别相关的 RoIs，通过过滤无关上下文来保持效率。战术层（行为规划）： 该层生成行为树（Behavior Trees, BTs）作为中间表示。为了确保 BTs 是可执行且具有语义基础的，系统采用了检索增强生成（RAG） 。向量数据库（ChromaDB）存储了一个结构化的行为节点库。RAG 模块仅检索与任务相关的节点规范（描述、约束、模板）并注入 LLM 上下文，从而降低幻觉风险并减少上下文长度。
节点封装： 为了处理多智能体交互的复杂性，系统引入了一个自动 ID 管理模块，用于在生成后解析智能体和目标的标识符。它还将高级行为（如排队）编码为结构化的 BT 子树，并引入了 FollowVelocityField 节点以实现可扩展的群体控制。
操作层（几何规划）： 虽然 BT 定义了意图，但系统集成了全局规划器以确保几何可行性。
Theta 规划：执行： 最终输出的是一个经过后处理的行为树，该行为树在 Isaac Sim、Gazebo 或 RViz 等模拟器中与社会力模型（SFM）协同执行。
2. 优化预设
为了提高可控性并降低延迟，GROVE 提供了三种特定场景的预设，作为配置覆盖层：
紧急模式（Emergency Mode）： 偏向于疏散语义。它将检索限制在 FollowVelocityField 节点以实现连贯的群体流动，禁用复杂的社交交互，并计算从群体质心到单个出口的速度场。排队模式（Queuing Mode）： 激活专门的队列子树模板用于有序的智能体插入。它强制执行顺序目标分配，并在受限的服务区域内维持 Theta* 规划。常规模式（Normal Mode）： 启用全套社交行为节点（群体形成、交谈、漫游），同时平衡层次化控制与全局规划。
3. 用户界面
一个集成在 RViz2 中的 GUI 允许用户输入提示词、选择预设，并在提交完整的物理模拟之前验证生成的速度场和路标点。
核心贡献
文本转场景框架： GROVE 是第一个结合了基于 RAG 的检索和社交行为树，从而根据自由文本描述自动生成完整配置的高保真行人模拟框架。层次化规划集成： 本文介绍了一种将全局 Theta* 路标点直接注入行为树的新方法。这确保了静态障碍物规避和几何可行性，同时保留了符号任务程序的层次结构。用于行为合成的 RAG： 通过动态检索行为节点规范，系统减轻了 LLM 的幻觉问题并缩减了上下文长度，从而能够生成复杂的、无误的行为树。速度场集成： FollowVelocityField 节点的引入使得在行为树框架内实现可扩展的群体级运动控制成为可能，这是一种针对语言驱动生成的创新集成。模拟器兼容性： 系统通过 ROS 2 生态系统直接集成到主流机器人模拟器（Isaac Sim、Gazebo、RViz）中，支持机器人在高度社交化环境中的部署。
结果与评估
作者将 GROVE 与两种近期的语言驱动人群生成基准模型 Text-Crowd 和 TRACE 进行了对比评估。评估涵盖了医院、办公室和住宅环境下的三个预设（紧急、常规、排队）。
导航与轨迹： GROVE 在静态障碍物规避和语义对齐方面表现出优越性能。不同于 TRACE（存在穿墙问题）和 Text-Crowd（产生语义上不合理的终点），GROVE 生成了连贯的人群流和结构化的队列。它是唯一能够产生队列中智能体递进式推进和现实的停走模式的方法。定量指标： 使用视觉语言模型（VLM）对场景的提示词对齐度、合理性和视觉真实感进行评分（0–10 分制），GROVE 在所有预设中均获得了最高的平均得分。最显著的提升在于提示词对齐度 ，这归功于基于 RoI 的起始点和目标分配。效率： 与缺乏预设约束的 GROVE “原生”变体相比，使用优化预设使Token 数量减少了 35–49% ，显著提高了生成延迟性能。
重要性
本文声称 GROVE 通过缩小语义意图与物理导航之间的脱节，解决了持续存在的 sim-to-real 差距。通过自动化生成多样化、真实的类人行为，该框架允许研究人员超越小型、固定的场景集，在复杂、动态的环境中测试社交机器人。将符号推理（行为树）与几何规划（Theta*）以及物理执行（SFM）相结合，提供了一种原则性的方法，用于创建既能通过自然语言控制，又足够鲁棒以支持机器人部署的高保真模拟。作者承认了局限性，包括结合多种最先进（SotA）方法带来的高计算成本，以及对静态障碍物地图的假设，但将 GROVE 定位为迈向易于获取且行为真实的社交机器人训练的重要一步。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。