SWAP人形机器人全身避障框架

2026年10月20日，arXiv Robotics 刊出 Zeji Yi 等作者的论文，提出 SWAP（Steerable Whole-body Avoidance Policy）分层人形机器人全身避障框架。该框架将碰撞感知决策与稳定控制分离：高层扩散策略生成多模态避障运动提案，低层全身强化学习控制器跟踪提案并维持动态平衡；训练时通过随机指令下滚动低层策略、仅在未扫过空间放置障碍物来获得可扩展监督。报道称，在仿真和真实 Unitree G1 人形机器人上，SWAP 对静态与动态障碍物均实现可靠避障，测试时操控使速度、朝向、姿态等目标奖励平均提升 34%，同时保持高避障率。目前事件进展限于该论文发布及上述仿真与真机实验结果，尚无后续跟进报道。

AI 根据报道生成 · 49 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。