瑞士洛桑联邦理工学院（EPFL）与Idiap研究所的研究人员近日开发出一种新方法，使机器人能够以更高的精度处理不规则、弯曲的物体。该系统通过生成物体的点云地图，识别关键表面参考点，创建出一种平滑的、任务感知的表示形式，无论物体形状或大小如何，都能适用。据研究团队介绍，该模型使机器人能够将技能在不同物品（从香蕉到红薯）之间迁移。在测试中，机器人成功完成了削皮、切片和表面探测等接触丰富的任务。该方法即使在传感器数据部分缺失或有噪声的情况下，以及在杂乱环境中也能保持稳健，标志着在适应性、真实世界机器人操作方面迈出了重要一步。

形状感知的操作
人类能够依赖对物体表面的形状感知和以物体为中心的认知，将切片、削皮或擦洗等操作技能无缝迁移到形状差异很大的物体上。然而，机器人却难以具备这种适应性。主要问题在于表面几何形状的巨大变异性，使得固定的或基于姿态的表示不可靠。许多现有方法要么完全忽略几何结构，要么严重依赖大量训练数据，限制了泛化能力。因此，一个核心挑战是开发可重用的、几何感知的表示方法，能够准确捕捉机器人与物体表面的交互方式，同时对形状差异保持不变。这样的表示将使机器人能够在不需大量再训练的情况下，将技能迁移到不同物体上。

自适应机器人控制
新方法通过从实时视觉和深度数据中生成方向场，同时重用简单的、与形状无关的动作，使机器人能够处理不熟悉的物体。研究人员应用扩散（热）方程，将几何信息在表面传播，并直接处理点云数据，无需干净的3D模型。对于在自由空间和接触之间转换的任务，该方法将扩散与蒙特卡洛技术相结合，实现了快速、无网格的计算，生成平滑的局部参考框架来引导滑动、切割或探测等动作。实验结果表明，机器人使用相同的动作表示，在不同形状的物体上成功完成了削皮、切片和检查等任务。在50个随机变形的物体上的测试显示，该方法相比传统方法在动作轨迹上表现出更低的变异性，表明泛化能力更强。该框架还能与遥操作、轨迹优化和强化学习等多种控制策略有效集成，提高规划效率、加速收敛并支持学习行为的零样本迁移。此外，系统在有噪声和不完整的传感器数据下仍保持鲁棒性，验证了其在真实机器人应用中的实用性。