一套可复用的行为系统，让人形机器人能够走近并打开房门，在人阻挡或拉拽房门时恢复动作，还能在桌面之间分拣不同颜色的球。该系统在 IHMC 的 Alex 上进行了测试，也在多个型号的人形机器人平台上运行。它结合机载感知、以物体为锚点的动作、行为树逻辑和全身控制，使专家无需为每个场景编写硬编码程序，就能快速设计机器人行为。
目录
研究人员构建了什么？
研究人员构建了一套人形机器人软件架构，使机器人能够在同一项任务中行走、操纵物体，并根据不断变化的环境做出响应。房门是这套系统的主要基准任务，因为开门需要多个动作紧密配合：走到合适位置，识别门把手，伸手抓握，转动或按下把手，推动门体，并在不发生碰撞的情况下穿过门洞。
这套系统并不是一段只能开某一扇门的脚本，而是一个按行为树组织起来的可复用行为库。行为树可以理解为一张结构化的决策图：一个分支尝试执行动作，另一个分支处理失败；当场景发生变化时，条件节点可以把机器人引向不同的应对路径。行为库包含行走、手臂、骨盆、脊柱、颈部、手部、腿部、等待和螺旋运动等动作。
其中一个关键设计，是使用“可供性”（affordance），也就是物体所提供的可利用机会。门把手适合转动，地面适合行走，门洞则提供了通行空间。行为围绕这些物体进行设计，而不是绑定在机器人某个固定位置上。
这套架构已经用于 DARPA Robotics Challenge 时代的 Boston Dynamics Atlas、Unitree H1-2 和 IHMC Alex。主要演示在 Alex 上完成，使用机载双目彩色与深度视觉，不依赖外部跟踪系统或人工标记。
取得了哪些关键结果？
在报告的测试中，系统多次完成接近房门并将其打开，未出现失败。推门任务 11 次尝试全部成功，即 11/11；拉门任务 12 次尝试也全部成功，即 12/12。
这些结果只统计了接近和开门，并不代表机器人完整穿过了门洞。研究人员没有继续重复完整穿门测试，因为当时的行走控制器还不够可靠，发生一次可能损坏硬件的故障就可能迫使评估终止。
抗干扰演示更具动态性。在一次左手拉门穿行任务中，一名人员先后 4 次将门从机器人身边拉开，另一处阻挡物还曾暂时堵住门洞。机器人检测到开门失败后等待通道清空，最终在经历全部 5 次干扰后，于 65 秒内完成任务。
分拣球的行为同样能够应对执行过程中由人造成的变化。机器人在 17.8 秒时检测到抓取失败，放弃放置动作，回到搜索阶段，并正确分拣了剩余可用的 6 个球。整次运行耗时 45.2 秒。
| 演示任务 | 报告结果 | 展示能力 |
|---|---|---|
| 推门接近与开门 | 11/11 成功 | 可重复的接近与操作行为 |
| 拉门接近与开门 | 12/12 成功 | 可重复的拉门行为 |
| 受干扰的左手拉门 | 5 次干扰；65 秒 | 从门体干扰和门洞阻塞中恢复 |
| 动态单桌分拣彩球 | 45.2 秒 | 场景变化且抓取失败后的恢复能力 |
| 形状包含感知检查 | 通常低于 10 毫秒 | 快速评估反应条件 |
这些数字证明了系统在所测试演示中的良好表现，但测试环境较为有限，因此不能据此认为它已经具备通用的人形机器人自主能力。
这套人形机器人系统如何工作？
操作员首先通过一个界面创建并调试行为。界面会显示机器人、场景物体、参考坐标系和动作序列。配置完成后，行为会被保存下来，随后可由机器人依靠机载感知与控制自主运行。保存的文件使用易读的数值，例如经过取整的距离和角度，但该界面仍是系统预期的行为设计工具。
运行时，系统维护一个场景模型，其中包含机器人、房门、把手、门板、桌子、球以及其他相关物体。YOLO 和 FoundationPose 等感知模型可以为场景模型提供数据。行为随后利用检测到的物体坐标系，决定机器人应走到哪里、手应放在哪里，以及某个动作是否已经成功。
以物体为中心的动作是这套设计的核心。系统不是让机器人把手移动到房间中的某个固定位置，而是根据当前感知到的门把手来定义手部姿态。如果机器人因为平衡或落脚误差而停在略有不同的位置，它可以重新感知门把手并计算抓握位置。每一步都会为下一步动作重新建立锚点，从而限制位置误差和状态估计误差不断累积。
系统还会创建派生参考坐标系。接近坐标系会让机器人与目标保持安全距离，并朝向目标。混合坐标系则可以从一个物体获取位置、从另一个物体获取方向，这有助于机器人在接近打开的房门时保持正确的门洞对齐关系。
全身控制器负责执行行为请求。它通过线性动量控制和全身逆动力学，将脚步与上半身轨迹结合起来，使机器人能够在行走的同时协调手臂、骨盆、脊柱和双手。
条件节点提供了反应式逻辑。其中一个重要节点会检查虚拟球体或胶囊体内是否包含足够多的深度点，并可选择要求这些点落在指定颜色范围内。采用 CUDA 实现时，这项检查通常可在 10 毫秒以内完成。同一机制既能检测打开的门板和挡住门洞的人，也能检测机器人手中的彩球，而不必完全依赖容易失效的语义识别。
这对机器人技术为何重要？
人形机器人需要的不只是令人印象深刻的硬件或孤立的动作演示。一个真正有用的部署系统，必须把专家经验转化为可重复执行的行为，在环境发生变化时恢复动作，并避免每次门、物体或起始姿态有所不同，就要求工程师重写整项任务。
这套架构通过可复用的任务组件，针对的正是这一工程瓶颈。门行为可以根据检测到的门体属性，在推门、拉门、左手操作和右手操作等变体之间进行选择。同一套底层动作类型，也可以支持抱着瓶子穿过门洞，或在不同桌子之间分拣物体。
“人在回路中”的方式也反映了当前人形机器人系统通常采用的开发流程。工程师负责设计高层动作序列和恢复逻辑，机载感知与控制则负责执行。这种分工相比把每一种应对方式都写成定制化的单体程序，可能缩短新行为的开发时间。
对采购方和运营管理者而言，真正重要的不是某一次开门得分，而是系统的适应能力。一套具备可复用移动操作软件的平台，有望应对按人类使用习惯设计的设施，包括房门、桌子、把手和狭窄通道。正在评估商用平台的团队可以在 Robot Overflow 上浏览人形机器人，并比较支持这些行为的硬件能力。
对于物流应用，以物体为基准的操作方式和反应式场景检查机制，也可能为处理动态库存及人流环境中的机器人提供思路。这项任务并不等同于仓库部署，但其设计原则与仓库机器人密切相关。
有哪些局限和悬而未决的问题？
最可靠的数据覆盖的是接近房门并将其打开，而不是完整穿过门洞。研究人员明确表示，他们停止了重复的完整穿门测试，因为当时的行走表现还不够稳定，可能损坏机器人。
此外，重复测试使用的是同一间实验室里的同一扇门，而且都在同一晚完成。这意味着不同把手形状、门体重量、门槛、光照条件、杂物分布和建筑布局下的表现仍有待验证。该架构支持多个型号的人形机器人，但报告中的实验主要使用 Alex，并围绕明确的 6 种任务变体展开。
这套架构依赖专家设计的行为、阈值、参考坐标系和后备逻辑。它减少了编程工作量，却没有消除专业人员进行设置的必要。未来还需要评估行为设计耗时、跨机器人和跨建筑迁移的表现、长期可靠性，以及在更缺乏控制的环境中感知失败时的行为表现。
常见问题有哪些？
这是一套完全自主的人形机器人系统吗？
行为完成设计和配置后，感知与控制可以在机器人本机自主运行。但在行为创建、调试和恢复策略设计阶段，仍然需要人类专家参与。
系统是否使用大语言模型控制机器人？
文中描述的架构以行为树、可供性模板、感知和全身控制为核心。原文没有将大语言模型描述为任务控制器。
为什么以物体为中心的动作很重要？
这类动作以把手、门板等物体为参照，而不是依赖房间中的固定坐标。这样，机器人就能在执行下一步动作前，修正轻微的站姿、平衡和状态估计误差。
这套系统能处理房门之外的任务吗？
可以。演示任务包括抱着瓶子穿过房门，以及在单张桌子上和两张桌子之间分拣彩球。这套可复用的动作与场景框架面向更广泛的移动操作任务。
结论是什么？
这套系统展示了人形机器人如何将专家设计的行为树、相对于物体的动作、快速几何感知和全身控制结合起来，完成实际的多步骤任务。它最重要的贡献，是提供了一套支持恢复与复用、适应性更强的软件基础；不过，要在更广泛的环境中运行，仍需要更加可靠的行走能力和进一步验证。
下一个人形机器人基准任务应该是什么：房门、楼梯、货架，还是其他任务？