自主移動機器人在人群環境中導航時，需要具備社交合規性，即在不干擾行人的前提下高效移動。然而，現有方法在捕捉真實世界的時空特性方面存在顯著不足。強化學習（RL）雖然能力強大，但依賴手工設計的獎勵函式，將複雜的社交行為簡化為靜態標準，難以復現真實行人行為的動態模式。模仿學習（IL）雖然可以直接從真實資料中訓練，但缺乏對行人之間社交互動的建模，並且容易因誤差累積而導致效能下降。
為了解決這些問題，研究者提出了一種基於模仿學習的框架，透過引入時空動態來提升社交合規導航。該框架的核心是一個基於圖的輔助網路，它透過注意力機制關注周圍行人，從而編碼人群狀態並表達社交上下文。此外，框架中還包含一個導航模組，該模組整合了編碼的狀態預測，並採用軌跡級的學習目標，從而有效捕捉時間動態並緩解誤差累積問題。
實驗結果表明，該框架在模擬環境和真實世界資料集上，在多項社交指標（如行人干擾最小化、導航效率等）上均顯著優於現有的資料驅動基線方法。這一工作為社交機器人導航提供了更加自然的行人互動建模方式，有望推動服務機器人、自動導引車等應用場景的發展。