面向非结构化环境的具身感知可通行性导航方法
研究人员提出了一种名为CAT（能力感知可通行性）的新框架，该框架通过将机器人物理限制直接嵌入空间特征空间，并利用交互式标注管道和空间自适应归一化（SPADE）模块，显著提升了非结构化环境中的可通行性估计性能。在人类标注和轨迹对齐数据集上，CAT在AUROC和AUPRC指标上分别提升了11.0%和15.8%，并在四足机器人和轮式滑移转向平台上实现了4.8Hz的实时障碍物规避。
研究人员近日提出了一种名为“能力感知可通行性”（Capability-Aware Traversability，简称CAT）的新框架，旨在解决机器人在非结构化环境中导航的关键挑战。该研究成果已被2026年IEEE/RSJ国际智能机器人与系统会议（IROS 2026）接收。
在非结构化地形中，同一片地形对于不同形态的机器人可能具有截然不同的可通行性：一堵矮墙对于四足机器人而言可以轻松跨越，但对于轮式机器人来说却是不可逾越的障碍。传统的可通行性估计方法往往只在后期的轨迹过滤阶段考虑机器人形态差异，而未能将平台约束编码到学习表征中。CAT框架则另辟蹊径，通过将物理极限直接嵌入空间特征空间，实现了对机器人能力的显式感知。
CAT的核心创新包括两个关键组件：交互式标注管道和空间自适应归一化（SPADE）模块。交互式标注管道基于物理轨迹生成密集的监督掩码，使得模型能够从真实的物理交互中学习。SPADE模块则根据机器人特定的可通行性向量对语义地形图进行调制，从而将机器人能力与地形特征深度融合。
实验结果表明，CAT在多个基准数据集上取得了领先性能。与最强基线相比，CAT在物理执行轨迹上的AUROC提高了11.0%，在人类轨迹上的AUPRC提高了15.8%。消融研究进一步证实，空间条件化和每机器人原型设计带来的能力敏感性远超通用路径预测方法。
研究团队还在四足机器人和轮式滑移转向平台上进行了实际部署测试。结果显示，CAT能够在嵌入式硬件上以4.8Hz的频率实现具身感知的障碍物规避，证明了其在真实场景中的实用性和实时性。
这项研究为机器人导航领域提供了新的思路，通过将机器人能力约束直接融入感知-行动循环，有望显著提升机器人在复杂非结构化环境中的自主性和安全性。