Clearpath 機器人助力前沿研究：ICRA 2026 精選論文亮點一覽

Clearpath 機器人助力前沿研究：ICRA 2026 精選論文亮點一覽

全球頂尖的機器人研究者即將於今年6月齊聚奧地利維也納，參加 ICRA 2026（國際機器人與自動化會議）。Clearpath Robotics 的多款機器人平台在本屆大會的多篇獲選論文中扮演關鍵角色，涵蓋自主導航、人機互動等前沿領域。以下精選三篇論文，深入了解 Clearpath 平台如何推動機器人學研究的發展。

一、遠場影像式可通行性建圖：用於先驗未知自然環境

使用平台： Clearpath Warthog 應用領域： 森林導航與建圖

機器人在未知環境中導航時，通常依賴近距離特徵（如光達或立體視覺的深度資訊）來建構成本地圖，或利用影像中的局部語義資訊進行決策。然而，這些近距離特徵的有效範圍有限，當機器人對超出偵測範圍的地圖區域做出錯誤假設時，可能導致不良的行為表現。

來自 MIT、三星美國研究院、美國陸軍研究實驗室及羅徹斯特大學的研究團隊提出了名為 FITAM 的方法，透過自監督學習方式，讓機器人學會利用遠場影像特徵來預測導航成本，進而在未知環境中做出更智慧的路徑規劃。與以往研究不同，FITAM 不需要依賴平坦地面假設或距離感測器來定位觀測結果。研究團隊在模擬環境及真實世界中，利用 Clearpath Warthog 在森林環境中成功驗證了此方法的優勢。

研究團隊： Ethan Fahnestock、Erick Fuentes、Samuel Prentice、Vasileios Vasilopoulos、Phillip Osteen、Thomas Howard、Nicolas Roy

二、SPLC：群眾機器人導航的社交偏好學習

使用平台： TurtleBot 4 應用領域： 人機導航與互動

在人機共存的應用場景中，離線強化學習（Offline RL）對群眾環境中的機器人導航具有重大潛力。然而，行人運動的複雜性使得設計促進「社交合規」行為的有效獎勵函數始終是一大挑戰。

來自武漢科技大學的研究團隊提出了 SPLC（Social Preference Learning for Crowd Robot Navigation） 演算法，其核心創新在於引入「社交偏好回饋機制」，透過原則性的偏好評估標準自動產生偏好資料，無需繁瑣的獎勵函數設計。該方法明確考量行人動態的複雜性，減輕獎勵偏差並促進社會規範的系統化量化。大量實驗證明 SPLC 結合離線強化學習方法後，在各項標準效能指標上均優於現有最先進基線。此外，團隊在 TurtleBot 4 上進行的真實世界實驗也進一步驗證了 SPLC 在實際人機共存場景中的有效性。

研究團隊： Zixuan Chen、Hao Fu、Haiwen Hu、Shiquan Zheng

三、平滑人機共享控制：無人地面車輛的自主果園監測

使用平台： Clearpath Husky A200 應用領域： 農業導航與人機協作

精準農業為果園與葡萄園中的噴灑或巡檢等例行性或困難任務提供了自動化機會，無人地面載具（UGV）在其中扮演重要角色。然而，實際部署中人類操作員仍需保持在閉迴路控制中，以確保安全與可靠性。

來自波札諾自由大學與特倫托大學的研究團隊針對田間人機共享控制的部署挑戰，提出了一套共享控制器，能夠平滑地融合自動軌跡追蹤、碰撞避免與人類指令。該控制器面對的主要挑戰包括：在樹行間距僅略大於機器人寬度的狹窄通道中保持穩定的軌跡追蹤、有效避開靜態與動態障礙物（如石塊或人員）、確保控制輸入不超過致動器限制，以及在不可預測的情境中允許使用者介入操作。該團隊在模擬環境及真實蘋果園中，使用 Clearpath Husky A200 進行了廣泛的測試，驗證了系統的穩定性與實用性。

研究團隊： Cheikh Melainine El Bou、Michele Focchi、Michael Chang、Marco Camurri、Karl Dietrich Von Ellenrider

結語

這些研究成果展現了學術界在機器人導航、人機互動與農業自動化等領域的多元創新應用。ICRA 2026 即將於數週後登場，期待更多突破性研究在大會上發表。有興趣的讀者可前往 ICRA 技術議程查閱所有投稿論文。

原文來源： 查看原文