打开重型、自动关闭的门，尤其是需要拉拽的门，长期以来一直是机器人领域的重大挑战。人类能够自然地灵巧运用双臂：旋转把手、扩大门缝、扶住门、在需要时换手，并在通过时保持安全距离。要复制这种行为，机器人需要执行跨越多阶段、与门不同部位交互的长序列动作。
传统方法依赖于状态机，在手动定义的阶段之间切换（例如，旋转把手后拉门，门缝足够宽后通过）。虽然直观，但这些方法缺乏鲁棒性，手工制作的轨迹难以泛化到多样化的现实条件，除非投入大量工程努力。近年来，模仿学习的进展提供了可扩展的替代方案，但尚无现有的视觉动作模型能够同时协调非完整移动基座和双臂完成完整的开门及通过任务。
在本文中，研究者利用基于扩散的视觉运动控制策略来解决这一复杂且高度约束的问题。该策略通过端到端学习，使单一策略能够执行需要操作与运动紧密协调的长时域任务。实验结果表明，该策略不仅在打开和通过阻尼拉门上实现了高成功率，而且表现出强大的对外部干扰的鲁棒性——这些能力是传统方法难以实现的。
该工作由Shangqun Yu等六位作者完成，于2026年5月14日提交至arXiv。它为移动操纵机器人在复杂环境中的自主操作提供了新思路，有望推动服务机器人、救援机器人等领域的应用。