标题：银河通用✖清华 | 为机器人赋予“避障直觉”，轻松穿梭复杂环境

清华大学与北京银河通用机器人股份有限公司合作开发了一种名为HumanoidPF（人形势能场）的创新方法，为机器人赋予了类似人类的“避障直觉”。该研究由薛晗、梁斯凯和张智楷等人共同完成，指导老师为清华大学助理教授弋力。

传统避障方法依赖强化学习，通过碰撞惩罚让机器人试错，效率低下且难以处理复杂场景。而HumanoidPF通过构建连续梯度场，将机器人与障碍物的空间关系编码为“吸引力”和“排斥力”，引导机器人自主选择安全路径，无需复杂计算即可完成弯腰、抬腿、侧身等动作。这种方法显著提升了机器人在真实家居场景中的实用性。

核心机制：势能场导航
HumanoidPF借鉴了经典人工势能场（APF）的思想，但针对人形机器人多关节结构进行了优化：
1. 吸引力场：引导机器人朝目标点移动，同时避开障碍物；
2. 排斥力场：基于障碍物距离生成排斥力，越接近障碍物排斥力越强；
3. 优先级加权：核心部位（如骨盆）权重更高，确保整体运动稳定，四肢灵活适配；危险部位动态提升权重，优先规避高风险区域。

此外，HumanoidPF通过感知输入和奖励引导双重方式融入强化学习，大幅提升了训练效率。机器人无需等到碰撞发生即可获得实时反馈，学习速度显著加快。

混合场景训练：见多识广
为了增强泛化能力，研究团队提出混合场景生成策略：从真实数据集中裁剪场景块，结合程序化生成的复杂障碍物（如地面凸起、高空悬挂物），并通过课程学习逐步增加难度。这种训练方式让机器人能够应对复合场景，例如“弯腰躲吊灯+抬腿跨杂物+侧身挤窄缝”。

实测表现：高效且稳定
在仿真测试中，HumanoidPF在8类复杂场景中的成功率超过90%，远超现有方法。在真实世界中，机器人通过“点击导航”系统，可自主规划路径并完成任务，例如弯腰避开茶几、抬腿跨过书本、侧身穿过窄缝等，全程无碰撞。此外，机器人还能应对未知场景和动态干扰，展现出强大的鲁棒性。

关键优势
1. 前瞻性引导：通过梯度场提供实时指引，避免低效试错；
2. 低迁移gap：势能场平滑传感器噪声，从仿真到现实几乎无需额外微调；
3. 通用适配：不依赖特定障碍物类型，适应规则家具和不规则杂物。

总结
HumanoidPF为机器人构建了一套“机器人-障碍物关系”的通用语言，将复杂空间感知转化为直观运动指引，使避障从“试错”变为“本能”。这项技术为人形机器人在日常生活中的应用奠定了基础，未来有望实现更智能的家务助手和自主导航设备。

• 论文链接：https://arxiv.org/abs/2601.16035
• 项目主页：https://axian12138.github.io/CAT/
• GitHub：https://github.com/GalaxyGeneralRobotics/Click-and-Traverse