Adapting to social conventions is an unavoidable requirement for the acceptance of assistive and social robots. While the scientific community broadly accepts that assistive robots and social robot companions are unlikely to have widespread use in the near future, their presence in health-care and other medium-sized institutions is becoming a reality. These robots will have a beneficial impact in industry and other fields such as health care. The growing number of research contributions to social navigation is also indicative of the importance of the topic. To foster the future prevalence of these robots, they must be useful, but also socially accepted. The first step to be able to actively ask for collaboration or permission is to estimate whether the robot would make people feel uncomfortable otherwise, and that is precisely the goal of algorithms evaluating social navigation compliance. Some approaches provide analytic models, whereas others use machine learning techniques such as neural networks. This data report presents and describes SocNav1, a dataset for social navigation conventions. The aims of SocNav1 are two-fold: a) enabling comparison of the algorithms that robots use to assess the convenience of their presence in a particular position when navigating; b) providing a sufficient amount of data so that modern machine learning algorithms such as deep neural networks can be used. Because of the structured nature of the data, SocNav1 is particularly well-suited to be used to benchmark non-Euclidean machine learning algorithms such as Graph Neural Networks (see [1]). The dataset has been made available in a public repository.

中文翻译：

---

SocNav1：用于基准测试和学习社交导航约定的数据集

适应社会习俗是接受辅助和社交机器人的不可避免的要求。虽然科学界普遍认为辅助机器人和社交机器人伴侣在不久的将来不太可能得到广泛使用，但它们在医疗保健和其他中型机构中的存在正在成为现实。这些机器人将对工业和医疗保健等其他领域产生有益影响。对社会导航的研究贡献越来越多，这也表明该主题的重要性。为了促进这些机器人的未来普及，它们必须是有用的，而且还要被社会接受。能够主动请求合作或许可的第一步是估计机器人是否会让人们感到不舒服，否则，这正是评估社交导航合规性的算法的目标。一些方法提供分析模型，而另一些方法使用机器学习技术，例如神经网络。该数据报告介绍并描述了 SocNav1，这是一个社交导航约定的数据集。SocNav1 的目标有两个：a) 能够比较机器人在导航时用于评估其在特定位置存在的便利性的算法；b) 提供足够数量的数据，以便可以使用现代机器学习算法，例如深度神经网络。由于数据的结构化性质，SocNav1 特别适合用于对非欧式机器学习算法（例如图神经网络）进行基准测试（参见 [1]）。该数据集已在公共存储库中提供。一些方法提供分析模型，而另一些方法使用机器学习技术，例如神经网络。该数据报告介绍并描述了 SocNav1，这是一个社交导航约定的数据集。SocNav1 的目标有两个：a) 能够比较机器人在导航时用于评估其在特定位置存在的便利性的算法；b) 提供足够数量的数据，以便可以使用现代机器学习算法，例如深度神经网络。由于数据的结构化性质，SocNav1 特别适合用于对非欧式机器学习算法（例如图神经网络）进行基准测试（参见 [1]）。该数据集已在公共存储库中提供。一些方法提供分析模型，而另一些方法使用机器学习技术，例如神经网络。该数据报告介绍并描述了 SocNav1，这是一个社交导航约定的数据集。SocNav1 的目标有两个：a) 能够比较机器人在导航时用于评估其在特定位置存在的便利性的算法；b) 提供足够数量的数据，以便可以使用现代机器学习算法，例如深度神经网络。由于数据的结构化性质，SocNav1 特别适合用于对非欧式机器学习算法（例如图神经网络）进行基准测试（参见 [1]）。该数据集已在公共存储库中提供。该数据报告介绍并描述了 SocNav1，这是一个社交导航约定的数据集。SocNav1 的目标有两个：a) 能够比较机器人在导航时用于评估其在特定位置存在的便利性的算法；b) 提供足够数量的数据，以便可以使用现代机器学习算法，例如深度神经网络。由于数据的结构化性质，SocNav1 特别适合用于对非欧式机器学习算法（例如图神经网络）进行基准测试（参见 [1]）。该数据集已在公共存储库中提供。该数据报告介绍并描述了 SocNav1，这是一个社交导航约定的数据集。SocNav1 的目标有两个：a) 能够比较机器人在导航时用于评估其在特定位置存在的便利性的算法；b) 提供足够数量的数据，以便可以使用现代机器学习算法，例如深度神经网络。由于数据的结构化性质，SocNav1 特别适合用于对非欧式机器学习算法（例如图神经网络）进行基准测试（参见 [1]）。该数据集已在公共存储库中提供。a) 能够比较机器人用于评估其在导航时出现在特定位置的便利性的算法；b) 提供足够数量的数据，以便可以使用现代机器学习算法，例如深度神经网络。由于数据的结构化性质，SocNav1 特别适合用于对非欧式机器学习算法（例如图神经网络）进行基准测试（参见 [1]）。该数据集已在公共存储库中提供。a) 能够比较机器人用于评估其在导航时出现在特定位置的便利性的算法；b) 提供足够数量的数据，以便可以使用现代机器学习算法，例如深度神经网络。由于数据的结构化性质，SocNav1 特别适合用于对非欧式机器学习算法（例如图神经网络）进行基准测试（参见 [1]）。该数据集已在公共存储库中提供。SocNav1 特别适合用于对非欧式机器学习算法进行基准测试，例如图神经网络（参见 [1]）。该数据集已在公共存储库中提供。SocNav1 特别适合用于对非欧式机器学习算法进行基准测试，例如图神经网络（参见 [1]）。该数据集已在公共存储库中提供。