本產(chǎn)品屬于機器人導(dǎo)航與路徑規(guī)劃技術(shù)領(lǐng)域，具體涉及一種基于多模態(tài)生成變分自編碼器（Multimodal Generative CVAE）的室內(nèi)服務(wù)機器人社交導(dǎo)航軌跡預(yù)測方法，旨在通過多模態(tài)信息輸入，結(jié)合社交交互、環(huán)境地圖和動態(tài)模型等多種因素，實現(xiàn)對室內(nèi)環(huán)境中機器人和人類未來軌跡的多樣性預(yù)測。
本產(chǎn)品旨在解決現(xiàn)有軌跡預(yù)測方法在復(fù)雜社交場景中的不足，提出了一種基于多模態(tài)生成變分自編碼器（Multimodal Generative CVAE）的機器人社交導(dǎo)航軌跡預(yù)測方法。通過對歷史軌跡、環(huán)境信息、社交互動等多模態(tài)信息進行建模和聯(lián)合解碼，能夠生成多樣化且符合社交規(guī)范的未來軌跡。
該方法具體包含以下幾個關(guān)鍵創(chuàng)新點：
多模態(tài)數(shù)據(jù)融合：本方法結(jié)合了機器人和人類的歷史軌跡信息、環(huán)境地圖信息以及人-人、人與機器人之間的社交交互信息，充分考慮了復(fù)雜環(huán)境中的多樣性因素。
變分自編碼器架構(gòu)：基于生成式變分自編碼器，通過學(xué)習(xí)歷史軌跡和社交互動模式，生成多樣性未來軌跡。
動態(tài)模型調(diào)整：利用運動學(xué)約束模型，對生成的軌跡進行動態(tài)調(diào)整，使其符合機器人和人類的物理運動限制，提高預(yù)測結(jié)果的現(xiàn)實性和有效性。
