迈向具身智能机器人的人类似感知：一篇系统性综述

作者与机构： 本文由来自多所中国顶尖高校与研究机构的学者团队共同撰写。通讯作者为黄思涵（Sihan Huang），其所属单位为北京理工大学机械工程学院及高精尖装备知识与数据融合技术与应用教育部重点实验室。其他作者包括来自北京理工大学、大连理工大学、西安交通大学、郑州轻工业大学的学者。该论文于2026年4月发表在 Journal of Manufacturing Systems 期刊第86卷上。

论文主题： 本文是一篇关于“具身智能机器人（Embodied Intelligent Robots）人类似感知（Human-like Perception）”领域的系统性综述。其核心目标是梳理机器人感知技术的发展脉络，从“人类似感知”这一新兴视角出发，总结其定义、技术路径、应用潜力与关键挑战，从而为这一前沿领域的研究者提供一个全面的参考框架。

主要论点与论述：

1. 论点一：机器人感知范式正经历从被动感知到人类似感知的演进，这是具身智能发展的必然要求。 论文首先回顾了机器人技术从传统机器人、智能机器人到具身智能机器人的发展历程。传统机器人依赖刚性自动化，感知仅为触发预设动作的被动信号；智能机器人引入了多传感器融合，实现了半结构化环境下的自主导航，但感知仍以几何描述为主，缺乏交互与语义理解。当前，机器人学正朝着具身智能（Embodied Intelligence） 范式转变，强调智能体必须通过与其所处开放、动态世界的持续物理交互来获得智能。这种转变对机器人感知提出了全新要求：机器人不仅需要“看到”和“定位”物体，更需要理解物体的可供性（Affordance）、推断人类意图，并主动与环境交互以消除不确定性。因此，传统的被动感知范式已无法满足需求，催生了人类似感知这一新范式。作者指出，人类似感知并非追求在精度或分辨率上完全复制人类感官，而是强调在感知的行为模式上与人类保持一致，即通过主动、分层、融合的方式，在原始感知数据与目标任务之间建立有效连接。

2. 论点二：人类似感知具有三个核心特征，构成了一个统一的三层技术框架。 基于对感知发展轨迹的分析，作者明确定义了人类似感知，并提炼出其三个区别于传统机器人感知的核心特征，并据此提出了一个统一的三层实现框架（如图3所示）。 * 特征一：通过多模态融合进行感知信息获取。 这不仅仅是多种传感器的简单共存，而是强调以任务为导向，对视觉、语言、触觉、听觉等异构输入进行选择性对齐和组织，形成统一的感知表征，以支持下游推理和行动。 * 特征二：通过分层理解进行感知信息处理。 这模仿了人类认知的层级结构，遵循一个从低到高的渐进过程：从“在哪里”（空间-结构理解），到“是什么”（语义属性理解），再到“为什么”（意图与因果推理）。这种分层结构使机器人能够在不确定性下构建连贯的环境模型。 * 特征三：通过主动决策与执行进行感知信息更新。 人类似感知是主动和闭环的。机器人必须能够自主调整视角、传感器配置和探索行为，以减少不确定性并获取任务相关信息。因此，感知不再被视为决策的静态输入，而是与动作执行和环境交互紧密耦合的动态过程。

为了系统性地实现上述特征，论文提出了一个三层技术框架： * 多模态感知层： 作为基础，负责异构环境数据的获取与对齐。该部分详细回顾了视觉（2D图像、3D几何信息、动态事件信息）、触觉（力与接触感知、形状与几何感知、材料与属性感知）和听觉输入的最新传感硬件与处理技术进展。 * 分层理解层： 作为核心，负责将原始感知数据转化为结构化的空间、语义和意图相关知识。这包括： * 空间理解： 关键技术包括同步定位与建图（SLAM）、主动SLAM（ASLAM） 和三维重建。SLAM使机器人能够构建未知环境的地图并同时估计自身位姿。ASLAM则将动作选择引入SLAM过程，使机器人能够通过主动规划运动来优化观测质量、减少不确定性。三维重建则生成环境或物体的连续几何模型。 * 语义理解： 在空间模型基础上赋予意义，包括三维语义分割与实例识别、开放词汇理解以及生成式场景建模。开放词汇理解使机器人能够将任意语言描述与视觉数据关联，识别训练中未见的物体类别。生成式场景建模则能从稀疏观测中推断缺失结构，生成完整、可交互的3D场景。 * 上下文与意图理解： 这是最高层级的理解，使机器人能够从观察到的证据中推断隐含的语义关系、任务意图和未来状态。早期研究依赖概率图模型，而当前趋势是利用图神经网络、Transformer架构以及大语言模型（LLM）进行多模态序列建模和意图推理。 * 主动决策与执行层： 作为闭环，负责将认知洞察转化为有目的性的物理动作，并根据任务目标和环境理解来规划、选择和调整行为。论文总结了三种主要方法路径： * 信息论方法： 将主动决策视为一个不确定性减少的过程，使用熵、互信息等度量来指导机器人选择能最大化信息增益的动作（如最佳视点规划）。 * 概率方法： 包括贝叶斯推断和部分可观测马尔可夫决策过程（POMDP）。前者递归更新状态信念分布以指导局部动作选择；后者提供了一个在部分可观测环境下进行序贯决策的完整框架，优化长期任务奖励。 * 人工智能方法： 主要包括强化学习（RL） 和大模型（如视觉-语言-动作模型， VLA） 方法。RL通过试错学习感知-动作策略；而大模型则利用大规模多模态数据预训练获得通用能力，能够进行语言引导的视点选择、任务规划和高级语义推理。

3. 论点三：人类似感知在非结构化环境操作和人机共生等关键领域具有巨大的应用潜力。 论文通过具体案例阐述了人类似感知如何解决实际应用中的核心挑战。 * 在灵巧操作方面： 在杂乱、非结构化的环境中，传统依赖精确几何模型的方法常因遮挡、光照变化或物体变形而失败。人类似感知通过主动视觉规划（如在建筑工地自主识别并绑扎钢筋交叉点）、物理感知推理（如通过交互推断物体物理属性以选择合适的工具）以及触觉驱动调整（如利用触觉传感器实时检测滑动并调整抓握力），使机器人能够像人类一样适应复杂任务。 * 在人机共生方面： 实现高效、安全的人机协作需要机器人能够理解人类的内部状态，而非仅执行预设程序。人类似感知通过多模态意图推断（如通过视线、姿态和语音预测人类伙伴的下一步动作，实现主动递送）、上下文消歧（如理解“把盒子后面的那个递给我”这类模糊指令）以及可解释的决策（结合LLM提供行为 rationale），将机器人从被动的工具转变为能够预见需求、自然交互的协作伙伴。

4. 论点四：实现人类似感知仍面临多重挑战，并指出了未来的研究方向。 尽管前景广阔，论文也明确指出该领域面临的关键挑战，为未来研究指明了方向。这些挑战包括： * 感知-动作闭环的实时性与效率： 复杂的多模态融合、分层推理和主动决策对计算资源和实时性提出了极高要求。 * 跨模态数据对齐与表征学习： 如何有效地将视觉、触觉、听觉等不同模态的信息在统一语义空间中对齐，仍是一个难题。 * 开放世界的泛化与适应性： 如何让在有限数据或模拟环境中训练的模型，能够泛化到真实世界无限多样和动态的场景中。 * 不确定性与安全性的量化与管理： 在主动探索和与人类紧密交互中，如何量化决策的不确定性并确保绝对安全至关重要。 * 可解释性与可信赖性： 特别是对于基于深度学习和大型黑盒模型的系统，其决策过程需要具备可解释性，以建立人机信任。

论文的意义与价值： 本综述论文具有重要的学术价值和指导意义。首先，它系统性地梳理和定义了“人类似感知”这一新兴概念，为其建立了清晰的理论框架和核心特征，有助于统一领域内的研究共识。其次，提出的三层技术框架（多模态感知、分层理解、主动决策与执行）为理解和构建人类似感知系统提供了结构化的蓝图。第三，论文全面回顾了各技术层的最新进展，并进行了分类和比较（例如，对比了不同主动决策方法的优缺点），为研究人员提供了丰富的技术参考和现状概览。最后，论文不仅展望了应用前景，也坦诚地指出了当前面临的核心挑战，为未来研究指明了亟待突破的方向。因此，这篇论文堪称是具身智能机器人感知领域一篇及时且重要的综述，为该领域的后续发展提供了重要的参考和启发。