ROOF 教会人形机器人先在低矮障碍物下方腾出空间，再站起来。它使用一个学习得到的恢复策略，而不是分别执行脱困和起身动作。训练时，该策略会利用障碍物的几何信息；部署时则只依靠机器人自身的身体反馈。研究人员在仿真环境和 Unitree G1 上的七种真实场景中测试了该方法。
目录
研究人员构建了什么？
ROOF 是一种学习得到的行为，面向跌倒在头顶空间不足、无法正常站起的情形。机器人若倒在桌子、架子或倒下的隔板下方，就不能直接抬起躯干：它可能还没站直就撞上障碍物。它需要先腾出空间，同时保持或找到足够的支撑，以便随后站起。
该系统将整个恢复过程作为一个连贯的任务来学习。机器人可以将身体移出障碍物下方、推动可移动的障碍物，或结合这两种动作。训练奖励并不规定具体的脱困方向，也不要求机器人按照固定顺序接触物体，而是引导它在保持有利支撑姿势的同时腾出更多空间。
研究人员在仿真环境和 Unitree G1 人形机器人上测试了该方法。仿真设置包含不同类型的障碍物，硬件测试则使用家具和由多个物体构成的场景。一个关键设计是：训练时会利用障碍物的几何信息，但部署后的策略使用的是机器人的本体感觉——也就是关于自身身体和关节状态的反馈。机器人执行恢复动作时，不需要将障碍物几何信息作为输入。
ROOF 取得了哪些结果？
评估覆盖了两种仿真障碍物类型和七种真实场景。在仿真中，一块板被限制为只能垂直移动：它可以被抬起，但不能滑动或倾斜，因此机器人需要调整自身位置以脱离障碍。另一块板可以自由移动，机器人可以推开、滑动或将其掀向一侧。研究还设置了无遮挡地面的条件，作为机器人在没有头顶障碍物时恢复的对照。
在硬件测试中，Unitree G1 展示了在家具下方以及多个物体构成的场景中恢复的能力；这些场景并未出现在训练中。这项测试考察的是学习得到的行为能否应对超出特定训练实例的场景布局，而不只是重复熟悉的设置。
报告结果表明，一个策略能够协调腾出空间与站起的动作，包括既可以移动机器人、也可以移动障碍物的情形。论文提供的文本没有包含成功率、恢复时间或与其他方法的数值比较，因此无法据此进行量化排名。这里的具体证据是仿真中涵盖的障碍物行为范围，以及七种硬件测试场景。
ROOF 如何工作？
ROOF 的核心训练信号衡量机器人在摆脱障碍方面是否取得几何上的进展。奖励会追踪机器人与障碍物之间的重叠程度，以及二者之间的距离。简单来说，它鼓励机器人减少身体被障碍物挡住的部分，并拉开足够距离以继续恢复。
关键在于，这个信号不会告诉机器人具体该怎么移动。如果采用“始终向左滑”或“用手臂推”等固定指令，当障碍物的位置、形状或可移动性发生变化时，就容易失效。相反，ROOF 会在机器人保持低姿态并获得支撑的同时奖励其进展，让学习得到的策略自行选择脱困方向和有效的接触方式。视具体情况而定，机器人可以移动自身、挪开障碍物，或同时采取两种方式。
该策略还使用了学习得到的人体运动先验模型，以鼓励协调动作，而非生硬、割裂的运动。与姿势相关的恢复目标有助于塑造从有支撑的重新调整位置到受控站起的过渡。研究人员还在优化阶段加入足部运动和关节停滞代价，以抑制不理想的运动，并帮助提升向硬件迁移的效果。运动先验用于引导训练，但在部署时会被弃用。
因此，整个恢复过程是作为协调行为学习得到的，而不是由手工编写的步骤清单。训练时由障碍物几何信息提供引导；部署后的策略则依据本体感觉反馈行动。这种划分让训练过程能够考虑任务的空间约束，同时不要求机器人在恢复时接收明确的几何地图。
面向障碍物的恢复为何对机器人技术很重要？
如果机器人只有在躯干周围空间开阔时才能站起，那么它在杂乱的工作场所和家庭环境中就很容易受困。低矮家具、货架、储存物料，以及意外中被撞移的物体，都可能让一次普通跌倒变成标准起身动作无法解决的恢复难题。ROOF 针对的正是其中缺失的一步：先腾出空间，同时保留通向稳定站立的路径。
该方法也展示了一种训练接触密集型行为的实用思路。与环境接触并不总意味着失败；机器人可能需要支撑、滑动或推动物体。ROOF 的奖励机制引导机器人实现目标——减少阻挡并获得有效支撑——而不要求工程师预先规定每一次接触和动作。
对于比较不同平台的买家和集成商而言，恢复能力是评估人形机器人能否在日常障碍物周围工作的一个方面。浏览 Robot Overflow 上的人形机器人，了解更广泛的产品类别。ROOF 是一项研究演示，并不能证明所有商用人形机器人都能以这种方式恢复；但它指出了面向狭窄空间作业的系统值得关注的一项具体能力。
还有哪些局限和未解问题？
研究结果涵盖一款特定机器人、范围有限的仿真障碍物类型，以及七种硬件测试场景。这些结果证明了该方法在这些设置下可行，但论文提供的文本没有报告数值成功率、恢复时间，或与其他方法的对照比较。因此，很难判断 ROOF 的成功频率，或它相较现有恢复策略提升了多少。
该方法在训练时也依赖障碍物几何信息，尽管部署时只使用本体感觉。对于陌生形状的障碍物、不稳定或易损物体、变化的地面，以及使机器人处于截然不同姿势的跌倒情况，其表现仍需要更多证据。论文所描述的测试并未证明机器人能否可靠判断某次推推是否安全，或何时应该放弃恢复。
读者应了解 ROOF 的哪些信息？
ROOF 在部署时需要障碍物地图吗？ 不需要。障碍物几何信息用于引导训练，部署后的策略则使用机器人的本体感觉。
机器人能移动障碍物，也能移动自身吗？ 可以。学习得到的行为可以移动机器人、推动可移动障碍物，或结合这两种动作。
ROOF 在实体人形机器人上进行过测试吗？ 是的。研究人员在七种真实场景中对 Unitree G1 进行了评估。
论文提供的文本是否报告了数值成功率或恢复时间？ 没有。现有文本描述了评估和演示，但未提供此类性能数据。
读者应记住什么？
ROOF 将障碍物下方的起身视为一个兼顾腾出空间和维持支撑的综合问题，而不是简单套用标准起身动作。硬件演示展示了一种颇有前景的方式，可用于训练人形机器人在杂乱环境中恢复；但其可靠性和更广泛部署方面仍有重要问题待解。
人形机器人应该先学会从哪种障碍物下恢复？