開啟重型、自動關閉的門，尤其是需要拉拽的門，長期以來一直是機器人領域的重大挑戰。人類能夠自然地靈巧運用雙臂：旋轉把手、擴大門縫、扶住門、在需要時換手，並在透過時保持安全距離。要複製這種行為，機器人需要執行跨越多階段、與門不同部位互動的長序列動作。
傳統方法依賴於狀態機，在手動定義的階段之間切換（例如，旋轉把手後拉門，門縫足夠寬後透過）。雖然直觀，但這些方法缺乏魯棒性，手工製作的軌跡難以泛化到多樣化的現實條件，除非投入大量工程努力。近年來，模仿學習的進展提供了可擴充套件的替代方案，但尚無現有的視覺動作模型能夠同時協調非完整移動基座和雙臂完成完整的開門及透過任務。
在本文中，研究者利用基於擴散的視覺運動控制策略來解決這一複雜且高度約束的問題。該策略透過端到端學習，使單一策略能夠執行需要操作與運動緊密協調的長時域任務。實驗結果表明，該策略不僅在開啟和透過阻尼拉門上實現了高成功率，而且表現出強大的對外部干擾的魯棒性——這些能力是傳統方法難以實現的。
該工作由Shangqun Yu等六位作者完成，於2026年5月14日提交至arXiv。它為移動操縱機器人在複雜環境中的自主操作提供了新思路，有望推動服務機器人、救援機器人等領域的應用。