面向非結構化環境的具身感知可通行性導航方法

研究人員近日提出了一種名為“能力感知可通行性”（Capability-Aware Traversability，簡稱CAT）的新框架，旨在解決機器人在非結構化環境中導航的關鍵挑戰。該研究成果已被2026年IEEE/RSJ國際智能機器人與系統會議（IROS 2026）接收。

在非結構化地形中，同一片地形對於不同形態的機器人可能具有截然不同的可通行性：一堵矮牆對於四足機器人而言可以輕鬆跨越，但對於輪式機器人來説卻是不可逾越的障礙。傳統的可通行性估計方法往往只在後期的軌跡過濾階段考慮機器人形態差異，而未能將平台約束編碼到學習表徵中。CAT框架則另闢蹊徑，通過將物理極限直接嵌入空間特徵空間，實現了對機器人能力的顯式感知。

CAT的核心創新包括兩個關鍵組件：交互式標註管道和空間自適應歸一化（SPADE）模塊。交互式標註管道基於物理軌跡生成密集的監督掩碼，使得模型能夠從真實的物理交互中學習。SPADE模塊則根據機器人特定的可通行性向量對語義地形圖進行調製，從而將機器人能力與地形特徵深度融合。

實驗結果表明，CAT在多個基準數據集上取得了領先性能。與最強基線相比，CAT在物理執行軌跡上的AUROC提高了11.0%，在人類軌跡上的AUPRC提高了15.8%。消融研究進一步證實，空間條件化和每機器人原型設計帶來的能力敏感性遠超通用路徑預測方法。

研究團隊還在四足機器人和輪式滑移轉向平台上進行了實際部署測試。結果顯示，CAT能夠在嵌入式硬件上以4.8Hz的頻率實現具身感知的障礙物規避，證明了其在真實場景中的實用性和實時性。

這項研究為機器人導航領域提供了新的思路，通過將機器人能力約束直接融入感知-行動循環，有望顯著提升機器人在複雜非結構化環境中的自主性和安全性。