RoboSense Track 2 Social Navigation Dataset

该数据集基于Social-HM3D和Social-MP3D基准，提供目标驱动的轨迹、自然行为、平衡密度和多样化的环境。包括844个Social-HM3D场景和72个Social-MP3D场景，场景类型包括住宅、办公室、商店等，人类数量在0-6之间，具有自然运动。

This dataset is built upon the Social-HM3D and Social-MP3D benchmarks, providing goal-driven trajectories, natural behaviors, balanced crowd densities and diverse environments. It comprises 844 Social-HM3D scenes and 72 Social-MP3D scenes, with scene categories covering residential spaces, offices, shops and other common types. The number of humans in each scene ranges from 0 to 6, featuring natural human movements.

原始信息汇总

RoboSense Track 2: Social Navigation 数据集概述

数据集基本信息

• 数据集名称: RoboSense Track 2 Social Navigation Dataset
• 基础数据集: Social-HM3D 和 Social-MP3D
• 数据集特点:
  • 目标驱动的轨迹
  • 自然人类行为（行走、暂停、避障）
  • 平衡的人类密度
  • 多样化环境

数据集统计

数据集	场景数量	场景类型	人类数量范围
Social-HM3D	844	住宅、办公室、商店等	0–6
Social-MP3D	72	住宅、办公室、健身房等	0–6

数据集内容

• 场景数据集: 包含住宅、办公室、商店等多种室内场景
• 导航片段数据集: 包含训练集和验证集
• 人类动画数据: 提供行走轨迹数据
• 多智能体必要数据: 包括hab3-episodes、habitat_humanoids等

数据集结构

data ├── datasets │ └── pointnav │ ├── social-hm3d │ │ ├── train │ │ │ ├── content │ │ │ └── train.json.gz │ │ └── val │ │ ├── content │ │ └── val.json.gz │ └── social-mp3d │ ├── train │ │ ├── content │ │ └── train.json.gz │ └── val │ ├── content │ └── val.json.gz └── scene_datasets └── robots └── humanoids └── versoned_data └── hab3_bench_assets

评估指标

指标	描述
SR	成功到达目标的比例
SPL	路径长度加权的成功率
PSC	个人空间合规性（阈值1.0m）
H-Coll	人类碰撞率
总分	0.4×SR + 0.3×SPL + 0.3×PSC

基线性能

数据集	SR	SPL	PSC	H-Coll
Social-HM3D	55.15	55.15	89.56	42.96

下载链接

• 场景数据集: 按照Habitat-lab的Datasets.md说明下载
• 导航片段数据集: https://drive.google.com/drive/folders/1V0a8PYeMZimFcHgoJGMMTkvscLhZeKzD?usp=drive_link
• 预训练模型: https://drive.google.com/drive/folders/1Bx1L9U345P_9pUfADk3Tnj7uK01EpxZY?usp=sharing

搜集汇总

数据集介绍

构建方式

RoboSense Track 2 Social Navigation Dataset基于Social-HM3D和Social-MP3D基准构建，包含844个Social-HM3D场景和72个Social-MP3D场景。数据集通过ORCA算法模拟人类自然行为，如行走、暂停和避障，确保运动轨迹具有真实意图。场景密度经过平衡调整，避免过度拥挤或稀疏，覆盖住宅、办公室、商店等多种环境类型。每个场景包含0至6个动态人类角色，其运动轨迹经过精心设计，以反映真实世界中的社交互动模式。

特点

该数据集以目标驱动的人类轨迹为核心特点，摒弃随机路径，强调自然行为模拟。场景设计注重多样性，涵盖不同规模和环境类型，确保数据具有广泛代表性。数据集支持RGBD模态输入，为算法开发提供丰富感知信息。特别设计的评价指标如PSC（个人空间合规性）和H-Coll（人类碰撞率）能够全面评估社交导航算法的性能。数据集还包含详细的基准测试结果，为研究者提供明确的性能对比参考。

使用方法

使用该数据集需先配置conda环境并安装habitat-sim和habitat-lab依赖库。数据集下载后需按照指定目录结构存放，包含场景数据和社交导航片段。评估过程支持两种模式：通过预训练模型直接测试或使用Docker环境进行完整流程验证。研究者可通过修改配置文件选择不同数据集（Social-HM3D或Social-MP3D）进行测试，结果将自动生成SR、SPL、PSC等关键指标。数据集还提供标准化Docker评估镜像，确保实验结果的可复现性。

背景与挑战

背景概述

RoboSense Track 2 Social Navigation Dataset是为2025年IROS会议RoboSense挑战赛第二赛道设计的专用数据集，旨在推动自主机器人在动态人类环境中的社会导航研究。该数据集由Zeying Gong等研究人员基于Social-HM3D和Social-MP3D基准构建，包含916个多样化室内场景和0-6个具有自然行为模式的人类角色。数据集通过融合目标驱动轨迹、真实人类运动模式（包括行走、暂停和基于ORCA算法的避让行为），为研究社会合规导航提供了高保真测试平台。其创新性在于平衡场景密度和人类行为多样性，有效填补了现有社会导航数据集中行为模式单一、场景复杂度不足的空白。

当前挑战

该数据集主要解决社会导航领域的两大核心挑战：如何在动态人类环境中实现导航效率与社会合规性的平衡，以及如何基于第一人称RGBD感知实现精准的人类行为预测。构建过程中的技术挑战包括：1) 真实人类运动轨迹的建模与验证，需要协调ORCA算法与自然行为模式的矛盾；2) 场景密度平衡难题，既要避免过度拥挤导致导航失效，又要防止场景过于稀疏失去挑战性；3) 多模态数据对齐问题，确保RGBD观测、里程计与人类行为数据的时间同步与空间一致性。此外，评估指标体系的建立也面临技术挑战，需在导航效率（SPL）、社会合规性（PSC）和安全指标（H-Coll）之间建立科学的量化平衡。

常用场景

经典使用场景

在机器人导航领域，RoboSense Track 2 Social Navigation Dataset为研究者提供了丰富的RGBD数据，用于训练和评估社交导航算法。该数据集通过模拟动态室内环境中的人类行为，帮助算法学习如何在拥挤的空间中安全、高效地导航，同时遵守社会规范。经典使用场景包括在办公室、商场等公共场所中，机器人需要预测人类运动轨迹并规划无碰撞路径。

实际应用

在实际应用中，该数据集为服务机器人、导览机器人等智能设备的开发提供了重要支持。例如，在医院或养老院中，机器人可以利用该数据集训练的算法，安全地绕过移动中的医护人员和患者，完成物资配送等任务。这种技术显著提升了机器人在动态人类环境中的实用性和可靠性。

衍生相关工作

基于该数据集，研究者们开发了多项经典工作，如Falcon框架，该框架通过未来感知机制提升了社交导航的预测能力。此外，还衍生出多种改进的深度强化学习算法，专注于处理复杂的人类-机器人交互场景。这些工作共同推动了社交导航技术的进步，并为后续研究奠定了坚实基础。