近年来,随着机器人技术的迅猛发展,移动机器人也逐渐进入人类的日常生活中,人群环境下动态密集的行人为机器人的导航造成了困难。如何使机器人在高效地规划出一条无碰撞路径的同时也能遵守人类行走的社会规范,是目前移动机器人领域的研究热点,具有重要的现实意义和研究价值。但使得移动机器人在短时间内找到一条有效的路径,这通常需要预测机器人与相邻行人的交互。随着人群的增长和场景变得越来越复杂,研究人员通常将问题简化为单向人机交互问题。但实际上,我们不仅要考虑人与机器人的交互,还要考虑人与人的交互对机器人运动轨迹的影响。因此,本文提出了两个基于交互注意力深度强化学习的机器人人群导航方法,使机器人能够避开人群中的障碍物,从起点顺利导航到目标点。第一个模型首先将机器人的状态、人类的状态以及人与人的互动特征合并起来处理得到移动机器人在当前环境下感知到的联合状态,并根据注意力机制原理,设计一个能自适应加权聚合提取联合状态的重要特征数据的双重注意力模块,以建模机器人与人以及人与人之间的交互关系,使得机器人能够对不同状态下的行人予以不同的关注权重。最后利用强化学习算法对模型进行训练,同时在奖励函数的设计中包含社会规范,使机器人的决策更符合社会性。最后,搭建了一个仿真实验环境,在这个环境下对算法进行训练,并将该模型和当前具有代表性的人群环境下导航算法进行对比,实验结果表明,该模型在导航任务成功率、路径耗时、社会性等方面表现更好,能够使机器人在人群环境下高效且遵循社会规范地导航,验证了该方法的有效性。第二个模型首先通过关系推理对机器人导航图进行分析并建模交互特征,使用一个图卷积网络来计算成对的交互特征,接着利用注意力机制提取这个交互特征中的重要特征,再分别估计该联合状态下的值以及预测人类的运动。最后将该模型放置于和第一个模型相同的模拟实验环境中进行训练和测试,得到的实验数据和当前较为先进的方法对比,该模型表现得更好。在未来的研究中,考虑进一步扩展算法使得机器人能够输出连续动作,更加高效安全地完成导航。