2026年9月21日，arXiv 的 Robotics（cs.RO）分类发布了一篇题为《HOTICE: Whole-Body Humanoid Object Transportation in Cluttered Environments》的论文，作者为 Toan Nguyen 等五人。论文聚焦一个对真实人类环境至关重要、却仍具挑战性的问题：人形机器人如何搬运物体。当机器人本体和所携带物体的周围自由空间同时受到杂乱障碍物限制时，已有方法往往难以兼顾。为此，作者提出 HOTICE——一个面向杂乱环境的全身人形机器人学习框架，目标是让机器人可靠地运输物体。
方法上，HOTICE 首先引入 Humanoid-Object Decoupled Potential Fields，即“人形机器人—物体解耦势场”。该机制同时为机器人本体和搬运物体编码碰撞规避引导，使两者都能获得障碍物感知的运动方向，从而实现协调避障。与只关注机器人自身的方法不同，它把被搬运载荷的空间需求也纳入规划，有助于在狭窄、杂乱的通道中避免物体与障碍物发生碰撞。
其次，针对全身 loco-manipulation 带来的巨大动作空间，作者设计了双智能体强化学习架构。该架构将上半身与下半身的控制解耦，降低学习难度，同时通过共享状态观测和奖励保持全身协调，避免上下身各自为政。为了在不同杂乱场景中泛化，训练还采用“专家到通用”的蒸馏策略：先训练具有特权信息的教师策略，再将其蒸馏为一个可部署的学生策略，从而让单一策略覆盖多种环境。
实验方面，研究团队在 MuJoCo 仿真和真实 Unitree G1 人形机器人上评估 HOTICE。结果表明，该方法能在杂乱场景中有效且稳健地运输不同形状的物体，可靠地协调全身运动并执行物体感知的碰撞规避。它还能泛化到此前未见的杂乱环境，并在 sim2real 部署中表现良好。摘要未提及独立复现或第三方评测，相关结论来自作者自己的仿真与实机实验。
论文信息方面，该预印本属于 Robotics（cs.RO），编号为 arXiv:2609.25363。v1 于 2026年9月21日 20:01:04 UTC 提交，文件大小约 31,068 KB。读者可通过 arXiv 查看 PDF、实验性 HTML 和 TeX 源码等全文链接。引用格式为 arXiv:2609.25363 [cs.RO]，DOI 通过 DataCite 发布，当时显示待注册。