ICRA 2026录用COMPASS框架：解决机器人狭窄空间主动感知与操作难题

背景

在机器人技术的实际落地场景中，狭窄、杂乱且视觉受限的空间操作是一个长期存在的挑战。许多真实应用场景（如家庭收纳、工业检修、灾难救援等）中，机器人往往无法在任务开始前就拥有环境的完整地图。

在这种环境下，目标物体常被障碍物遮挡，机械臂的运动空间也受到墙壁、柜子或其他物体的严格限制。传统的机器人操作策略通常假设环境已知或视野开阔，但在“看不清”和“伸不开手”同时存在的极端条件下，盲目伸手不仅效率低下，还极易导致碰撞或陷入无法执行的奇异姿态。因此，机器人需要具备“边看边动”的能力，即在探索环境的同时规划操作，而非先建立完整地图再行动。

核心内容

针对上述挑战，研究团队提出了一种名为 COMPASS 的框架，专门用于解决狭窄空间中的主动感知与操作规划问题。该工作已被 ICRA 2026 收录（论文编号：Paper TuI1I.294）。COMPASS 框架的核心逻辑在于将“安全探索”与“可执行抓取”紧密结合，主要包含以下三个关键步骤：

1. 近场环境感知扫描（Near-Field Awareness Scan） 机器人首先利用腕部相机对周围近距离空间进行谨慎扫描。这一步的目的并非寻找目标，而是为了建立局部的障碍物模型，明确“身边哪里不能碰”，为后续的运动规划提供安全边界。

2. 基于操作效用的主动探索（Manipulation-Utility Exploration RRT） 在确定安全边界后，系统使用基于操作效用（Manipulation-Utility）的 RRT（快速随机树）算法来选择下一个最佳观察视角。与传统仅关注“信息增益最大”的探索策略不同，COMPASS 在决策时同时考量了多个维度：

   • 机械臂的运动可行性；
   • 姿态是否接近运动学奇异点；
   • 运动路径的平滑度；
   • 当前视角是否有利于后续的抓取动作。 这种多目标优化确保了机器人选择的每一个观察动作，都是为最终的成功抓取服务的。

3. 约束下的抓取姿态生成 当目标物体被识别后，系统不再仅仅寻找几何上最优的抓取点，而是生成满足双重约束的抓取姿态：

   • 障碍物约束：确保机械臂在运动过程中不与环境发生碰撞；
   • 运动学约束：确保抓取姿态在机械臂的实际可达范围内，避免选择那些“看起来能抓到，但身体伸不过去”的无效姿态。

此外，为了系统评估这一能力，研究团队构建了一个专门的狭窄空间操作基准测试（Benchmark）。该基准涵盖了从简单遮挡到严重遮挡，从强运动学约束到两者耦合的复杂场景，全面检验机器人在感知受限和运动受限并存时的表现。

关键要点

• 问题定义：解决了机器人在无完整地图、目标遮挡、空间狭窄且存在运动学约束条件下的“主动感知-操作”协同问题。
• 创新框架：提出了 COMPASS 框架，实现了从被动感知到主动规划操作的闭环。
• 三步策略：
  1. 腕部相机近场扫描以规避碰撞；
  2. 结合运动学可行性和抓取潜力的 RRT 主动视角选择；
  3. 生成满足物理约束的可执行抓取姿态。
• 评估体系：建立了包含多种遮挡程度和运动约束耦合场景的 Benchmark，填补了该领域系统性评估的空白。
• 实验结果：在仿真和真实机器人实验中，COMPASS 相比仅考虑信息增益或传统探索策略的方法，显著提升了整体操作成功率，证明了其在未知、遮挡、狭窄环境中的有效性。

意义与影响

COMPASS 框架的提出，标志着机器人操作技术从“理想环境假设”向“复杂现实约束”的重要迈进。其意义主要体现在以下几个方面：

1. 提升非结构化环境下的操作鲁棒性：通过引入“操作效用”作为探索标准，机器人不再为了看而看，而是为了做而看。这极大地提高了机器人在家庭、仓储等杂乱环境中的自主作业能力。
2. 解决“看得见”但“够不着”的痛点：传统视觉 SLAM 或目标检测往往忽略机械臂的运动学限制。COMPASS 将运动学约束前置到感知规划阶段，避免了生成不可执行的抓取指令，降低了实时规划的计算负担和失败率。
3. 推动具身智能系统的设计范式：该工作展示了感知、规划与控制紧密耦合的重要性。未来，随着主动感知、狭窄空间操作及具身智能系统设计的深入，此类框架有望应用于更广泛的自动化场景，如精密装配、灾后救援及智能家居服务。

这项研究不仅为学术界提供了新的算法思路，也为工业界解决实际落地中的“最后一公里”操作难题提供了可行的技术路径。