喜讯：我们的论文被 ICRA 2026 接收！论文编号为 Paper TuI1I.294。本研究致力于解决一个极具现实意义的问题——在狭窄、杂乱且视线受阻的环境中，机器人如何实现“边观察边移动”，而非盲目抓取？
在实际应用中，机器人往往无法预先获得完整的环境地图。例如，目标物体可能被障碍物遮挡，机械臂周围存在箱子、墙壁、柜子等限制。机器人既无法清晰辨认目标，又不能随意移动——稍有不慎便会与环境发生碰撞，或处于无法抓取的姿态。
因此，狭窄空间操作的核心挑战不仅在于“如何抓取”，更在于：机器人必须首先安全地探索环境，定位目标，然后生成实际可执行的抓取策略。
为此，我们提出了一套名为 COMPASS 的框架，专为狭窄空间中的主动感知与操作规划而设计。该框架包含三个关键步骤：
第一步，机器人执行近场感知扫描（Near-Field Awareness Scan），利用腕部相机谨慎探测自身周围空间，首先明确“哪些区域不可触碰”。
第二步，机器人采用操作效用探索RRT（Manipulation-Utility Exploration RRT）主动选取下一个观察视角。关键在于：它不仅权衡信息增益，还会综合评估机械臂的运动灵活性、姿态是否接近奇异点、路径平滑性以及后续抓取可行性。
第三步，一旦目标被识别，系统将生成同时满足障碍物规避与运动学约束的抓取姿态，而非仅选择几何上可行但实际不可达的抓取方案。
此外，我们构建了一个狭窄空间操作基准测试（benchmark），涵盖从简单遮挡、严重遮挡，到强运动学约束，乃至两者耦合的复杂场景，系统性地评估机器人在“视线受阻”与“运动受限”并存时的表现。
实验结果表明，与仅考虑信息增益或传统探索策略的方法相比，COMPASS 在仿真环境中显著提高了整体操作成功率；在真实机器人实验中，它同样能够在未知、遮挡、狭窄的环境中主动探索、定位目标，并成功完成约束条件下的抓取。
未来，我们将持续深入研究主动感知、狭窄空间操作、机器人运动规划以及具身智能系统设计等方向。
