2026年9月21日，arXiv 的 Robotics（cs.RO）分類釋出了一篇題為《HOTICE: Whole-Body Humanoid Object Transportation in Cluttered Environments》的論文，作者為 Toan Nguyen 等五人。論文聚焦一個對真實人類環境至關重要、卻仍具挑戰性的問題：人形機器人如何搬運物體。當機器人本體和所攜帶物體的周圍自由空間同時受到雜亂障礙物限制時，已有方法往往難以兼顧。為此，作者提出 HOTICE——一個面向雜亂環境的全身人形機器人學習框架，目標是讓機器人可靠地運輸物體。
方法上，HOTICE 首先引入 Humanoid-Object Decoupled Potential Fields，即“人形機器人—物體解耦勢場”。該機制同時為機器人本體和搬運物體編碼碰撞規避引導，使兩者都能獲得障礙物感知的運動方向，從而實現協調避障。與只關注機器人自身的方法不同，它把被搬運載荷的空間需求也納入規劃，有助於在狹窄、雜亂的通道中避免物體與障礙物發生碰撞。
其次，針對全身 loco-manipulation 帶來的巨大動作空間，作者設計了雙智慧體強化學習架構。該架構將上半身與下半身的控制解耦，降低學習難度，同時透過共享狀態觀測和獎勵保持全身協調，避免上下身各自為政。為了在不同雜亂場景中泛化，訓練還採用“專家到通用”的蒸餾策略：先訓練具有特權資訊的教師策略，再將其蒸餾為一個可部署的學生策略，從而讓單一策略覆蓋多種環境。
實驗方面，研究團隊在 MuJoCo 模擬和真實 Unitree G1 人形機器人上評估 HOTICE。結果表明，該方法能在雜亂場景中有效且穩健地運輸不同形狀的物體，可靠地協調全身運動並執行物體感知的碰撞規避。它還能泛化到此前未見的雜亂環境，並在 sim2real 部署中表現良好。摘要未提及獨立復現或第三方評測，相關結論來自作者自己的模擬與實機實驗。
論文資訊方面，該預印本屬於 Robotics（cs.RO），編號為 arXiv:2609.25363。v1 於 2026年9月21日 20:01:04 UTC 提交，檔案大小約 31,068 KB。讀者可透過 arXiv 檢視 PDF、實驗性 HTML 和 TeX 原始碼等全文連結。引用格式為 arXiv:2609.25363 [cs.RO]，DOI 透過 DataCite 釋出，當時顯示待註冊。