这篇题为《Trajectory Learning with Graph Representations for Social Robot Navigation》（面向社交机器人导航的图表示轨迹学习）的论文于2026年6月21日提交至arXiv，属于机器人学（cs.RO）分类，论文编号为arXiv:2607.00028，第一作者为Berke Kartal，共有四位作者参与。论文的出发点非常明确：自主移动机器人应当具备符合社会规范的导航能力，从而把对行人的干扰降到最低。
研究团队指出，虽然捕捉行人之间的社交互动、并把对行人运动的估计纳入决策过程，都有助于提升机器人的社会合规性，但此前的方法未能同时处理真实世界数据中同时存在的空间特征与时间特征。为此，作者系统性地梳理了两条主流技术路线的局限。其一是强化学习：它具备很强的能力上限，但依赖人工设计的奖励函数，而这类奖励函数往往把复杂的社会行为简化为静态标准，因而难以复现真实行人行为中存在的细微模式。其二是模仿学习：它能直接从真实数据中训练，但缺乏对社交互动的建模，并且存在误差累积的问题。
针对上述不足，作者提出了一套基于模仿学习的框架，利用时空动态来实现符合社会规范的导航。该框架的核心由两部分组成。第一部分是一个基于图的辅助网络，它通过对行人进行注意力建模来编码人群状态，从而表示以互动为基础的社交上下文。第二部分是一个导航模块，它通过引入编码后的状态预测，并采用轨迹级别的学习目标，来捕捉时间动态并缓解误差累积。
在实验方面，作者在仿真环境和真实世界数据集上，围绕多种社交指标进行了评估，结果显示该框架的表现优于已有的数据驱动基线方法。论文的提交时间为2026年6月21日23:57:54 UTC，全文大小约4,031 KB，读者可通过arXiv页面访问PDF、实验性HTML版本以及TeX源码。
需要说明的是，本文目前为arXiv预印本的第一版（v1），尚未经过同行评审，因此其结论仍需后续独立验证。此外，论文摘要与页面信息并未披露具体的仿真平台、真实数据集名称、基线方法清单以及各项社交指标的量化数值，这些细节需查阅论文全文才能确认。