手部相机主动感知让UR10移动操作机器人在杂乱场景9圈全部完成，基线最多6圈（多伦多大学、爱普生加拿大、慕尼黑工大）
多伦多大学、爱普生加拿大、慕尼黑工业大学和西蒙弗雷泽大学的预印本显示，一台把手部相机对准规划路径上盲角和变动物体的移动操作机器人，在杂乱室内完成全部9圈测试且无碰撞，四种基线视角策略仅完成3至6圈。在最难场景中，其地图障碍体素召回率为73.0%，基线约为31%。
移动操作机器人能否在行驶中用臂端相机去看那些最可能威胁当前路线的地图错误区域，从而在杂乱且缓慢变化的空间中更安全地导航？
仓库、工厂和办公室在机器人两次到访之间会发生变化：箱子被挪动，柱子出现。导航系统通常假设地图静态，视野狭窄的底盘相机要到靠近时才发现盲角后的障碍，导致碰撞、停滞或不必要的重新规划。
手部相机固定朝向、沿路径前视、随机视角，或只追求地图信息量而不考虑路线的下一最佳视角规划（NBV-Map）。面向物体的半静态建图已有研究，但很少与视角控制结合。
概率化的下一最佳视角目标按区域与规划路径的距离、以及物体是否可能移动来加权地图不确定性（任务相关地图熵）。该视角目标被纳入分层任务模型预测控制，导航优先于感知，从而利用机械臂的冗余自由度转动相机而不影响底盘跟踪。避障采用覆盖机器人的球体上的控制障碍函数约束。硬件为Clearpath Ridgeback底盘上的优傲UR10机械臂和两台奥比中光Femto Bolt RGB-D相机，全部在车载笔记本上计算。
在三个场景各三圈、共九圈的连续测试中，该方法完成率100%；前视策略66.7%，固定、NBV-Map和随机策略均为33.3%。简单场景中其精确率87.4%、召回率70.9%、误检率1.7%均为最佳。L形墙场景召回率73.0%，基线为28.4%至31.2%，且基线均碰撞三次；办公室场景召回率70.0%，最佳基线为58.3%。代价是困难场景中精确率下降、误检率升高（8.4%和8.6%）。
本文为预印本。真实测试规模小（三个室内场景、每种方法九圈），碰撞后会重置地图。作者将困难场景精确率偏低归因于定位漂移和传感器噪声。场景变化的应对主要在受控仿真和演示序列中展示，未做大规模测量；方案需要带相机的机械臂，普通AMR并不具备。
与物流和工厂移动操作机器人厂商以及奥比中光等相机供应商相关。AMR加协作臂是国内集成商的常见方案，该方法所需硬件现已具备，一到两年内可能在人货混行、布局多变的通道中作为安全功能落地。爱普生的参与表明产业界的兴趣。
受许可协议限制，本站不转载该论文全文，仅提供摘要和原文链接。