0
| 本文作者： 鄭佳美 | 2026-06-05 18:12 | 專題：ICRA 國際機器人與自動化會議 |
作者丨鄭佳美
編輯丨馬曉寧
2026 年 6 月 4 日，在 ICRA 2026 “Robot perception and spatial AI” Keynote Session 上，波恩大學教授 Maren Bennewitz 發表了關于主動感知機器人的演講，直指真實機器人部署中的一個基本困境：機器人面對的世界往往是雜亂、持續變化且只能部分觀測的，僅靠被動觀察無法完成可靠理解。
Bennewitz 的核心判斷是：機器人要真正進入家庭、農業和服務場景，不能只把感知當作“看一眼”的過程，而必須把感知、預測、先驗知識和動作規劃放到同一個閉環里。機器人需要主動移動視角、推動或抓取遮擋物，用最少的動作獲得最多的信息。
她在演講中給出了三類典型場景：
其一，在貨架或桌面等遮擋環境中，機器人通過不確定性感知的語義地圖，決定哪些物體值得移動；
其二，在家庭物體搜索中，機器人利用 3D 場景圖、LLM 語義先驗、幾何約束和物體重定位規律，在不重新探索全屋的情況下按需尋找物體；
其三，在農業監測與果實采摘中，機器人借助上一時刻的地圖先驗、非剛性配準和葉片形變模型，規劃更高效的觀測與操作動作。
這場演講的關鍵洞察在于：主動感知并不是“多看幾眼”，而是把“看哪里、動什么、何時停止”變成信息增益最大化問題。對于機器人而言，世界不是一張靜態照片，而是一組可以通過行動逐步揭開的信念分布。
1、真實環境的核心難點不是沒有圖像，而是不確定性和遮擋：機器人必須知道自己不知道什么。
2、主動感知的價值在于把動作變成信息采集工具：換視角、推開物體、移動葉片，都是為了降低地圖和語義的不確定性。
3、先驗知識并不替代感知，而是幫助機器人更聰明地選擇下一步：LLM 提供語義常識，幾何模型過濾不可能位置，重定位模型學習人類移動物體的習慣。
4、在農業機器人中，時間維度同樣重要：上一輪完整重建可以作為下一輪觀測規劃的先驗，讓機器人在重復監測中避免從零開始。
5、面向采摘等高價值任務，機器人需要從“識別果實”進一步走向“估計可采摘性”，并理解葉片、視角和目標之間的遮擋關系。
總的來看，Bennewitz 試圖回答的是一個非常現實的問題：當機器人無法一次看清世界時，它應該如何通過行動把未知變成已知？她的答案是，用信念表示世界，用先驗約束搜索，用動作主動降低不確定性。
以下是AI 科技評論對 Maren Bennewitz 在 ICRA 2026 大會發表的演講實錄整理。內容基于英文現場轉寫進行不改原意的中文整理。
01
正如我們都知道的，機器人運行在雜亂、變化且只能部分觀測的環境中。因此，單純被動觀察遠遠不夠。為了完成任務，主動感知環境是必要的。主動感知機器人必須在行動中整合感知、預測、先驗信息和動作，主動獲取信息，并提升對環境的理解。
今天我將介紹機器人如何高效增強它對世界的知識，主要圍繞雜亂場景和隱藏物體展開。更具體地說，我會講機器人如何利用先驗和試探性動作，在少量步驟內完成感知和操作。
先看一個場景。我們有一個貨架，前面有幾個盒子，擋住了后方空間的視線。問題是，我們怎樣才能看見盒子后面的物體？也就是說，機器人如何推理前方物體背后可能存在什么？雷峰網
在這個例子里，僅僅改變視角是不夠的。機器人必須移動場景中的一些物體，才能看見后面并覆蓋被遮擋的空間。這就是我們關注的問題。
我們使用一種帶有不確定性的度量語義地圖表示。這個表示既可以推理場景中的所有物體，也可以推理操作動作及其約束的影響。我們學習一個模型，預測這個地圖表示會如何隨著動作結果而演化。也就是說，我們預測場景會如何因為視角變化、推動或者抓取而改變，并把它作為動作如何改變世界的先驗。
基于這個學習到的模型，我們可以推斷動作的效果。因此，機器人會選擇那些能夠降低環境表示不確定性、降低度量語義表示不確定性的最佳動作。比如在這個案例里，機器人可以先向左推動一個盒子，然后抓取另一個盒子，把它移到一側，從而看見此前被遮擋的空間，并識別其中的物體。雷峰網
我們學習動作條件網絡，預測占據、語義以及相應的不確定性。這些網絡會預測機器人執行某個動作之后，信念會如何變化。網絡也會預測對應的不確定性。隨后，我們選擇那些能夠降低不確定性、或者提高預期信息增益的動作。我們會在接下來兩個動作的序列上做優化，選擇最大化信息增益、降低不確定性的序列。
這里是我們的目標函數。對于純粹的視角變化，我們考慮預期信息增益；對于抓取、推動物體以移除后方遮擋空間的動作，我們還會額外考慮動作成本。然后，我們評估下一步測試動作帶來的信息增益，并在兩個動作的序列上進行優化，以最大化信息、降低不確定性。
這是我們與合作者共同開發的方法。接下來可以看到系統運行的過程：左邊是帶有相機的機器人實驗平臺，右邊顯示機器人已經識別出的物體。最開始，機器人已經識別了一些物體，而它的任務是識別場景中的所有物體。
使用我們的方法，機器人會查看世界中的不確定性地圖，選擇最好的動作來處理場景中的所有物體。它會移動一些物體，抓取一些物體，把它們放到一側，從而觀察后方空間。最后，機器人識別出了場景中的所有物體。當然，機器人只會移除那些為了覆蓋整個空間而必須移除的物體，并會在之后把它們放回貨架。
這里可以看到，機器人能夠維護關于環境中物體的長期信念。因此，即使存在遮擋，它也知道物體在貨架上的位置。
02
接下來一個問題是：機器人如何在更大的場景中搜索物體？例如在一個完整家庭環境中，物體會頻繁移動、重新放置，也可能被隱藏在家具內部。我們如何讓機器人在用戶需要某個物體時進行搜索，而不是重新探索整個環境？
為此，我們把環境重建為一個 3D 場景圖，就像前一場報告中也展示過的那樣。這個圖包含房間、家具和隔層結構。我們利用這個圖來推理被搜索物體可能位于哪里，并把被搜索物體視為相關過程中的動態節點。
在搜索物體時，我們進行空間信念推理，利用這個圖表示來推理物體的位置。比如這里的例子中，機器人的任務是尋找一個物體。環境中有三個可能的位置：貨架、書桌和咖啡桌。
第一步，我們使用來自 LLM 的語義先驗，初始化關于搜索物體位置的信念。在這個例子里，機器人一開始認為最可能的位置是貨架，其次書桌和咖啡桌也有一定概率。
當然，我們也考慮幾何信息。我們會預測目標物體是否應該能夠放在某個位置上。如果這個物體太大，無法放進某個隔層，那么我們就會降低它在該位置的概率，相應地提高其他位置的概率。
最后，非常重要的是，我們會基于重定位動態來更新信念。也就是說，機器人學習環境中的物體重定位轉移概率。
整體流程有三步。首先，LLM 根據場景圖為我們預測候選放置位置。它的輸入是場景圖，輸出是候選位置，例如家具節點或者隔層節點，然后我們把這些排序轉換成關于位置的先驗。
其次，我們基于目標物體尺寸過濾掉不可行的位置。再次，我們基于觀察到的稀疏數據更新重定位轉移概率，讓機器人學習人的移動習慣，并隨著時間調整搜索策略。
我們把這些因素結合到全局定位中。由于被搜索物體可能在沒有被觀察到的情況下發生變化，我們也允許一定概率擴散到環境中的其他區域。最后，我們進行代價感知的動作選擇，在物體可訪問性、預期動作成本以及對人的影響之間做平衡，由機器人選擇最有用的位置進行檢查。
我們在家庭環境數據上評估了這個方法，場景中的物體會發生重定位。評估時，我們給定固定的搜索預算，并測試機器人能否找到目標物體。如果不使用任何先驗信息，只在可能搜索位置上使用均勻先驗，那么成功率較低。
加入語義先驗和幾何先驗后，搜索成功率會提高；進一步加入學習到的重定位轉移后，在固定時間預算下，成功率還能進一步提高。因此，這個方法能夠支持按需搜索，而不需要重新探索整個環境，因為機器人會隨時間維護長期信念。
03
現在我們考慮持續變化的環境。一個具體例子是農業環境：植物會生長，外觀也會隨時間變化。我們考慮園藝或農業應用中的作物重復監測。監測會被反復執行，例如每周兩次，我們希望通過監測變化來估計產量。
當然，我們不希望每次都從頭開始。想法是使用上一個時間點學習到的模型，來指導當前時間點的視角規劃和重建。當作物生長時，它們會帶來嚴重的遮擋，因此我們需要利用上一輪的先驗。
我們的平臺會在作物行之間移動，并帶有固定的相機陣列。隨著平臺穿過環境，我們可以部分重建作物行。但由于作物有許多行，而且存在遮擋，當前數據中會出現空洞。于是，我們的想法是利用上一時間步的模型作為先驗，進行高效的視角規劃，移動投影或相機來填補當前時間戳數據中的空洞。
具體來說，我們會對上一時間步的重建模型進行非剛性配準。上一時間步的模型更完整，而當前時間步只有部分重建。我們把上一次的模型配準到當前的部分重建上，也就是把兩個點云以非剛性的方式對齊。
之后，我們執行一個優化過程。現在我們有了一個近似表面，可以使用集合覆蓋優化：在估計表面上采樣目標點，然后選擇能夠覆蓋這些目標點的視角。隨后，我們執行覆蓋優化，并用旅行商問題計算一條近似最優路徑。
在真實溫室數據中，首先可以看到移動平臺靜態相機得到的部分重建。由于遮擋，當前數據里有空洞。然后，我們把上一輪數據對齊到當前部分數據，基于近似表面執行視角規劃，再規劃路徑并在平臺上執行，從而收集覆蓋植物的新數據。
最后，我們得到了一條高效路徑，覆蓋了所有表面，也填補了當前數據中的空洞。這個模型隨后又可以用于下一時間步的監測。
04
剛才我們看到，先驗地圖可以幫助重復監測中的視角規劃更高效。但像甜椒或番茄這樣的果實仍然會被部分遮擋，因為機器人不能僅僅依靠尋找它們就完成任務。有時，移動葉片是必要的，這樣才能可靠估計果實形狀和可采摘性。
在這項工作中，我們使用葉片形變模型來評估候選動作、評估可能的視角，并預測葉片背后的可見性。通過這種方式，我們可以揭示被遮擋的區域，并估計果實的尺寸。
到目前為止，我們假設遮擋葉片是已知的，也就是說機器人知道應該操作哪片葉子，才能看見后方缺失的部分。而我們現在正在做的是學習一種用于遮擋推理的表示。我們的目標是學習一種統一圖表示，建模可見性關系和遮擋關系。利用這個圖，機器人可以識別哪片葉子從哪個方向遮擋了目標，以及應該按什么順序進行處理。
例如，我們會估計觀察方向。在一個例子中，根據這個圖，我們得到果實和葉片的排序，并結合觀察方向判斷某片葉子的遮擋排名最高。因此我們知道，這片葉子需要被推到一側，才能顯露果實并估計它的形狀。
剛才介紹的這些技術可以用于估計可采摘狀態，然后進一步執行實際采摘。這里可以看到，機器人能夠使用一個包含相機、切割器和操作器的三臂系統，可靠地識別作物并完成相關操作。
最后總結一下。機器人在很多場景中都運行在雜亂、變化且只能部分觀測的環境里。因此，機器人需要同時規劃觀察動作和操作動作，用于物體搜索、地圖構建和環境重建。
我展示了先驗如何引導感知以及感知和操作動作的規劃。因此，先驗有助于實現高效的主動感知。
我還展示了信念傳播如何支持對遮擋物體以及操作動作效果的推理。通過主動選擇能夠降低不確定性、提升可觀測性并處理遮擋的動作，我們能夠增強機器人的能力，讓機器人更好地獲取知識、理解環境。
正如我最后提到的，下一步我們將通過學習和表示可見性圖以及遮擋關系，進一步推理遮擋問題；同時也會繼續研究生成式方法和相關服務機器人應用。
05
聽眾提問：移動葉片這個動作看起來代價比較高。為了估計果實的可采摘性，到底需要實際移動多少？能不能依賴關于果實外形和可采摘性的先驗信息，即使我們沒有完整看到果實？
Maren Bennewitz：謝謝你的問題。首先，我們會使用形狀補全方法。比如我們只部分觀察到甜椒時，可以使用一些方法來估計并補全它的形狀。
然后，我們會對葉片使用形變模型。我們使用一種形變圖來估計葉片能夠如何被操作、應該往哪個方向移動。之后，我們再估計被遮擋的區域是否能夠被顯露出來。這個過程目前當然仍然有成本，但最終我們能夠得到關于甜椒更完整的信息。
聽眾提問：所以你們確實需要移除遮擋物，才能估計它是否可采摘嗎？
Maren Bennewitz：我可能沒有完全理解你的問題。你是說僅僅估計可采摘狀態，對嗎？對于可采摘狀態本身，也許并不總是需要移除葉片；但我們這里討論的是移除葉片來估計形狀、估計合適的操作過程。因此，對于另一些設置，你也許不需要真的移除葉片，但可以做出相應決策。
聽眾提問：謝謝你的報告。我很欣賞這種基于信念的方法。我想問的是，當物體被完全遮擋時，物體本身會出現在你的信念先驗中嗎？如果目標完全被遮擋，這種基于信念的方法如何適應？
Maren Bennewitz：一開始，機器人完全不知道后面有什么。這是對的。因此，這個區域會有很高的不確定性，因為我們不了解這個區域。于是，機器人會推理應該移動哪些物體，才能看見后面。也就是說，我們會給這個區域的占據和語義賦予較高的不確定性。
聽眾提問：所以信念是關于區域的，而不是關于物體的？
Maren Bennewitz：正是如此。我們使用的是度量語義地圖表示，信念是在這個度量語義表示上的。基于這個表示，物體隨后才會被識別出來。謝謝。
去哪看 ICRA 核心【演講/論文】詳解？
為了讓國內的研發者、創業者與投資人能夠毫無時差地掌握本屆 ICRA 2026 的完整干貨，雷峰網(公眾號：雷峰網)已全面上線【ICRA 2026 深度專區】。
專區不僅全面收錄了重磅論文的工程化解讀、專家前沿演講，更將持續更新前方記者的第一手會議動態。
掃描下方二維碼，或點擊「閱讀原文」關注專區。
與全球 8000 名頂尖大腦同步呼吸，搶先透視具身智能的下一個五年！
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
