[CVPR 2024候选] 极简即高效：移动服务机器人的成对交互识别框架

TL;DR

本文为移动机器人量身定制了一套“轻量化”社交感知算法。通过放弃复杂的骨骼识别和沉重的视觉模型，转而拥抱 bounding box 的几何关系与光流运动，新框架不仅在推理速度上飙升至 44 FPS，更在实际户外割草机平台上证明了极强的零样本（Zero-shot）泛化能力。

核心速览

移动服务机器人（如割草机、配送机器人）在户外作业时，最核心的社交任务不是分辨人在干什么细节，而是判断：“这两个人是不是在一起走/站/坐？”

研究者发现，过往追求“大模型、全场景、高精度”的路径在嵌入式设备上往往南辕北辙。本文提出，**成对交互（Pairwise Interaction）**是社交理解的最小充分感知单元。通过专注于“成对”而非“全场”，模型复杂度大幅下降，实用性显著提升。

痛点深挖：为什么 SOTA 模型在机器人上不好使？

1. 鲁棒性堪忧：骨骼提取（Skeleton-based）在户外光照变化、遮挡严重时经常“断手断脚”。
2. 算力受限：机器人平台需要留出大量资源给导航和规划，留给感知（尤其交互识别）的预算极其吝啬。
3. 目标偏移：机器人不需要知道人群是否在“抗议”或“聚会”，它只需要知道哪几个人组成了“社交障碍区”，从而规划路径。

方法论详解：两阶段轻量化架构

作者设计了一个优雅的两阶段 Pipeline，旨在通过“先粗筛，后细分”平衡精度与效率。

1. 交互检测 (Stage 1)

利用边界框生成的 7D 向量（包含距离、重叠度、垂直对齐等），通过一个极简的可学习特征重加权模块 T(g)，快速筛选出潜在的互动对。这种设计优先保证了召回率，确保机器人不会遗漏任何关键的交互。

2. 交互分类 (Stage 2)

在候选交互对的基础上，引入了 10D 的几何-运动特征。这里作者非常有见地地使用了 Farneback 光流来捕捉运动一致性（Synchrony）。

• 架构亮点：虽然保留了 EfficientNet 作为视觉特征提取器，但将其完全冻结。通过关系网络（Relation Network）将两个个体的特征、差异特征及几何特征拼接，预测交互类型。

上图展示了从原始视频到几何特征提取再到最终分类的全流程。

实验与结果：少即是多

在 JRDB 数据集的消融实验中，一个令人惊讶的发现是：加入图像外观特征反而让准确率从 84.3% 下降到了 80.0%。

表 1 数据直观显示：单纯依靠“Motion + Geometric”在准确率和计算成本（FLOPs）上均碾压了包含深度视觉特征的组合。

真机验证： 在割草机数据集中，即使摄像头角度极低、地面颠簸剧烈，模型依然保持了 96.5% 的检测精度，充分验证了基于几何线索的稳定性。

深度洞察：回归物理直觉

本项工作的价值在于揭示了机器人感知中的一个重要原则：特征的物理直觉往往优于权重的盲目堆叠。

• 运动同步比长相重要：两个同步移动的边界框，比两张高清的人脸更能说明他们在“一起走”。
• 解耦的优势：两阶段设计允许开发者根据不同算力平台灵活调整 Stage 1 的阈值，实现性能与功耗的动态平衡。

局限与展望

尽管精度惊人，但模型在处理“坐着”和“行走”的区分时仍受机器人自身运动产生的干扰。未来的研究重点将放在更长时间维度的时序推理，以及如何将交互结果直接反馈给局部路径规划器（Nav Stack），实现真正的“社交避障”。

总结

这篇论文向学术界证明，在资源受限的环境下，轻量化的几何与运动推理才是机器人社交感知的“王道”。它不仅降低了部署门槛，更为未来的社交机器人研究提供了一个稳健且高效的 Baseline。