NavIsaacLab：透過並行機器人學習生成逼真人群以基準測試人感知導航
NavIsaacLab是一個基於Isaac Lab的框架，利用基於物理和逼真的場景渲染以及GPU並行模擬，為機器人導航提供即時的3D視覺反饋。它採用資料驅動方法，結合軌跡擴散模型和對抗運動學習控制器，實現可控的、基於物理的行人模擬，並整合多種跨尺度場景，為人感知導航演算法提供強大的基準測試。
NavIsaacLab：逼真人群模擬助力人感知導航基準測試
在人類與機器人共享的真實環境中，機器人自主導航必須考慮周圍人的活動，以確保安全與自然互動。然而，構建可靠導航策略需要大量複雜多樣的場景資料，而手動採集此類資料成本高昂。為此，模擬成為一種高效替代方案。但現有模擬平臺往往使用手工規則模擬行人，且假設完美觀測，缺乏真實感測器噪聲，導致模擬與真實世界存在差距。
近日，來自多個機構的研究團隊提出了NavIsaacLab框架，旨在透過基於物理和逼真的模擬解決這一難題。該框架基於NVIDIA的Isaac Lab平臺，利用GPU並行模擬（即同時執行多個環境）實現即時的3D視覺反饋。它不僅支援逼真的場景渲染，還能模擬多機器人或多行人互動場景。
NavIsaacLab的核心創新在於行人行為建模。傳統方法依賴規則，而該框架採用資料驅動方式：首先使用軌跡擴散模型生成合理的行人路徑，然後透過對抗運動學習控制器（類似於GAN）生成物理上可行的動作，確保行人運動真實且可控。這種結合使得模擬中的行人群體具有高度的多樣性和真實性。
此外，框架整合了從狹窄走廊到開闊廣場等多種尺度的場景，為評估不同導航演算法提供了全面的基準測試環境。實驗表明，NavIsaacLab能夠生成逼真的行人流，並有效評估現有的人感知導航方法。該研究為機器人導航領域的模擬與評估提供了重要工具，有望加速安全、自然的人機互動系統的發展。論文由Bingyi Xia等八位作者撰寫，於2026年6月24日提交至arXiv，收錄於機器人學（cs.RO）類別，並提供了完整的PDF及HTML格式以供查閱。