当机器人穿行在熙熙攘攘的公共场所，行人到底怎么反应？

最近，来自苏黎世联邦理工学院（ETH Zürich）脊髓损伤人工智能实验室、瑞士 paraplegic 研究中心（SPF）和洛桑联邦理工学院（EPFL）LASA 实验室的团队，在Science Advances上发表了一项大规模实证研究：他们用四个横跨欧洲、北美、亚洲的真实人群数据集，统一流水线比对了"人-机器人交互（HRI）"和"人-人交互（HHI）"，第一次给出了"密度感知 + 速度依赖"的社会化导航人际距离基准。 论文 2026 年 8 月 5 日上线，DOI 对应 Sci. Adv. 12, eaef2576 (2026)。

01.

机器人进人群，我们真的准备好了吗？

个人出行机器人（PMV）、配送机器人、清洁机器人正加速走进机场、车站和街道。日本成田机场已部署 WHILL 的自动驾驶 PMV 为乘客提供接驳。但核心问题悬而未决：机器人能否"舒服地"与人共享空间？

这背后的学问叫"proxemics"（空间关系学）。1966 年 Edward Hall 提出个人空间四区模型：亲密区（0~0.45 m）、个人区（0.45~1.2 m）、社交区（1.2~3.6 m）、公共区（>3.6 m）。日常导航中，人会预判他人未来运动，提前偏转、转向或微调速度来维持这些距离。已有研究报道，在最接近通过点，行人通常保持约0.75 m，通过后侧向间距扩大到至少约0.8 m。

但机器人不是人。此前 27 项 HRI 研究的荟萃分析发现，性别、外观类型、谁主动接近等因素影响很小或 inconsistent，研究者呼吁在拥挤度、密度等环境因素上做更高功率的研究——这正是本论文的切入点。

以下为评估流程概览。A 为场景级视角，B 为机器人车载视角，C 为鸟瞰视角的行人跟踪，D 高亮 HRI 与 HHI 在人际距离上的差异——行人给机器人留的空间更多，且该效应随密度和机器人速度变化。

图 1. CrowdBot 数据集评估流程概览。(A、B) 场景级与机器人视角；(C) 带跟踪行人的鸟瞰图；(D) HRI 与 HHI 的 proxemics 差异小结：行人给机器人留更多空间（左），平均最小距离随机器人速度近似线性增加（中），对行人速度依赖很弱（右），说明该效应是机器人特异的。

团队采集了四个公开数据集，覆盖欧/美/亚的真实公共场所：CrowdBot（瑞士洛桑户外步行区）、SCAND（美国德州大学奥斯汀分校周边）、JRDB（美国斯坦福大学校园）、SiT（韩国首尔城市街道）。所用机器人平台如图 2。

以下为各数据集机器人平台。A 为 CrowdBot 的 Qolo PMV（带乘员），B 为 JRDB 的 JackRabbot UGV，C 为 SiT 的 Husky UGV，D 为 SCAND 的 Spot 与 Jackal UGV。

图 2. 各数据集数据采集机器人：(A) CrowdBot 的 Qolo PMV；(B) JRDB 的 JackRabbot UGV；(C) SiT 的 Husky UGV；(D) SCAND 的 Spot 与 Jackal UGV。

机器人速度区间差异显著：JRDB 以静止为主，SiT 约 2.8 km/h，CrowdBot 最广（最高 4.7 km/h），SCAND 约 5.4 km/h。CrowdBot 因兼具自然公共场所交互、宽密度覆盖与最广速度变化，成为主要证据基础，并配套发布新基准 CrowdBot-v2。

02.

统一流水线，在四大数据集上对比 HRI 与 HHI

团队开发了统一分析流水线：基于 LiDAR 检测跟踪行人、识别交互片段、按局部密度（低/中/高）分层，从运动动力学（速度、加速度、jerk）和 proxemics（人际间距）两个维度量化行为。

交互标注逻辑如图 3：对某一"主体"（机器人或某行人），当一名行人同时满足"感知到该主体"且"处于短时近碰撞航向"时，即被标注为"正在交互"，标注是主体中心的。

以下为交互标注可视化。示例帧中 P1、P2（红）为交互，P3、P4（绿）为非交互。HRI 主体为机器人（矩形），HHI 主体为行人（圆形），需同时满足感知条件（α≤α_dyn）与迫近条件（ttcc≤3 s）。

图 3. 交互标注可视化：以导航主体为中心，展示 HRI 与 HHI 两种设置下交互帧的定义方式。

密度分层用加权 k-means++（k=3），基于每条轨迹在 2 m 社交区内经历的最大/平均局部密度，结果为——低密度 (0.19, 0.10)、中密度 (0.49, 0.28)、高密度 (0.78, 0.50) ppsm。研究预先提出三个假设：H1（密度）HRI-HHI 差异在低/中密度最大、高密度缩小；H2（速度）行人到机器人距离随机器人速度增大；H3（运动差异）HRI 引发更强运动适应。

03.

核心发现：间距拉大、运动却几乎不变

结果一：运动动力学 HRI≈HHI，H3 不成立。

图 4 展示 CrowdBot 中 NI-ped、HRI-ped、HHI-ped 三组的运动动力学分布。无论角速度、线加速度还是线 jerk，HRI-ped 与 HHI-ped高度吻合：角速度 Wasserstein 距离全密度 <0.03 rad/s（约 2°/s），线加速度 <0.01 m/s²，线 jerk <0.03 m/s³。密度升高后两组仍紧密贴合。

以下为CrowdBot 运动动力学。A 为按密度分组的角速度/线加速度/线 jerk 分布（横线为组均值，星号标注 HRI-ped vs HHI-ped 显著性）；B 为中密度场景俯视图；C 为低/高密度示例帧。

图 4. CrowdBot 三组运动动力学。(A) 角速度、线加速度、线 jerk 分布按局部密度分组，星号表示 HRI-ped 与 HHI-ped 比较显著性（***P<0.001；*P<0.05；n.s. P>0.05）；(B) 代表性中密度场景俯视图及交互标注；(C) 低密度（上）与高密度（下）示例帧。

个体化层面（图 5A），归一化运动变化同样吻合（Cohen's d=0.11/0.07/0.06）；突发显著事件层面（图 5B，转向角>45° 或 1 s 内速度变化>2 km/h），两组事件密度图高度相似，多元能量距离检验未检出差异。SCAND、JRDB、SiT 补充分析结论一致。

以下为个体化运动变化与显著事件。A 为 HRI/HHI 下归一化每行人运动变化；B 为"速度变化—转向角"联合空间中的显著事件分布，最右为两图残差。

图 5. CrowdBot 个体化运动变化与显著事件。(A) HRI-ped 与 HHI-ped 下相对轨迹均值的归一化每行人运动变化，变化均小；(B) HRI 与 HHI 显著事件在速度变化—转向角联合空间的分布，残差差异很小，多元分布差异不显著（P>0.05）。

结果二：近距离净空在机器人周围更大，跨数据集呈清晰排序——H1、H2 均获支持。

最小距离分析（图 6A）显示：CrowdBot 与 SCAND 的"Robot"曲线始终偏向更大最小距离，JRDB（主要静止）效应弱且不一致。具体——CrowdBot 低/中/高密度 Δ=+0.10/+0.06/+0.08 m；SCAND（约 5.4 km/h）Δ=+0.23 m（低密度），中、高密度仍为正（+0.13/+0.05 m）；JRDB 差异小而 inconsistent。

以下为最小距离分析。A 为最小边到边距离的核密度估计，Robot 净空增大在 SCAND 最显著、CrowdBot 次之、JRDB 弱且不一致；B 为舒适区边界与行人周长示意；C 为低/高密度穿越场景。

图 6. 最小距离分析。(A) 最小边到边距离的 KDE，Robot 净空增大在 SCAND 最明显、CrowdBot 次之、JRDB 弱且不一致，与三数据集机器人速度区间一致；随密度升高净空总体收缩。(B) 机器人舒适区边界与行人周长示意。(C) 低密度（上）与高密度（下）穿越场景。

舒适区入侵分析（图 7）进一步印证：所有数据集与密度层，机器人经历的 0.3 m 舒适区入侵少于附近行人。SCAND 差异最大（低/中/高密度 [HRI-ped]/[Robot]=10.07/2.68/1.25），CrowdBot 居中（2.29/1.42/1.33），JRDB 最弱（均<1.30），且入侵比随密度升高而下降。

以下为各密度下舒适区入侵。面板标注入侵总次数与均值入侵计数比 [HRI-ped]/[Robot]。跨数据集机器人受入侵少于附近行人，效应 SCAND 最强、CrowdBot 居中、JRDB 最弱，且随密度升高而减小。

图 7. 各密度下进入主体 0.3 m 舒适区的入侵。跨数据集机器人受舒适区入侵少于附近行人，效应 SCAND 最强、CrowdBot 居中、JRDB 最弱；该差异随密度升高减小，说明更高拥挤度削弱了行人为机器人保持额外净空的能力。

结果三：间距随机器人速度近似线性增加，对行人速度依赖很弱——机器人特异性效应。

图 8 是最"漂亮"的结果之一。CrowdBot 中最小距离随机器人速度近似线性增加，低/中/高密度斜率0.39/0.42/0.20 m/(m/s)；而随行人速度斜率仅0.11/0.03/0.06，弱得多。说明该效应不是泛化的"更快就更远"，而是机器人特异的，与"速度越快、感知威胁/紧迫感越强"一致。高密度斜率变缓，反映周围约束限制了行人调节距离的自由度。

以下为最小距离随机器人/行人速度的变化（按密度分层）。上行随机器人速度，下行随行人速度（对照）。蓝线为 LOWESS 平滑，橙色虚线为线性近似，蓝色带为 IQR。最小距离随机器人速度近似线性增加，随行人速度依赖弱得多。

图 8. 各密度下最小距离随机器人速度（上行）与行人速度（下行）的变化。最小距离随机器人速度近似线性增加（低、中密度斜率更陡），随行人速度依赖弱得多。

04.

讨论：行人用"前瞻性"给机器人多留空间，而非靠急刹躲避

把结论合在一起：H1（密度）✓、H2（速度）✓、H3（运动差异）✗。行人面对机器人时局部运动扰动几乎与避让同类相同——真正差异不在"动作多剧烈"，而在"提前分配了多少空间"。

这一组合（显著 proxemics 差异 + 微小运动差异）与"前瞻性导航"高度一致：行人通过早期小幅调整路径与时机，平滑地化解冲突，同时在机器人周围累积出更大间距。人不是快撞上才急转，而是早早地、温和地绕开一段额外距离。密度分层（图 9）直观展示了这一机制：低密度下行人有充足自由实现偏好的机器人净空，且净空在更宽距离范围内可见；高密度时两种自由都被压缩。

以下为基于局部人群密度的行人轨迹分层。以每条轨迹的最大/平均密度构成 2D 特征空间，对 CrowdBot 轨迹做加权 k-means++（k=3）聚类，得到低/中/高密度三类。

图 9. 基于局部人群密度的行人轨迹分层。以每条轨迹经历的最大与平均人群密度构成 2D 特征空间，对 CrowdBot 轨迹做加权 k-means++ 聚类，得到低/中/高密度三类。

三点启示： 其一，评估人机共行应优先看 proxemics 指标而非局部运动指标——自然条件下 HRI/HHI 运动差异极小，密度-速度感知的间距指标灵敏得多。其二，非拥堵区域适当降低机器人运行速度，可减小行人被迫维持的额外净空——SCAND 在约 5.4 km/h 下产生最大 +0.23 m 净空增量，而主要静止的 JRDB 差异最弱。其三，建模应支持"前瞻性 + 平滑拟人运动 + 邻近敏感目标"的规划器，而非仅依赖反应式避障。

局限：本研究基于真实世界记录而非受控实验，机器人速度、外观、乘员 presence、环境等因素无法被解释为独立因果效应（如 SCAND 机器人更"工业感"、JRDB 的 JackRabbot 更圆润亲和，可能也贡献跨数据集差异）。团队呼吁未来开展受控跨场地实验，独立操纵平台、速度与环境。SiT 因可用近距离交互过少未纳入主文本定量比较；速度依赖分析限定在 CrowdBot（唯一兼具宽速度范围与足量近距离交互的数据集）。

一句话总结：机器人走进人群，行人不会"动作变形"，却会前瞻性地、系统性地多留一段净空——这段净空随机器人速度近似线性增大、随人群拥挤线性被压缩。这为社交机器人导航提供了首个密度-速度感知的 proxemics 基准。