一、行业痛点：具身机器人多目标感知规划长期存在技术短板

当前，具身智能移动操作机器人已广泛应用于办公、医疗、展馆等场景，需同时完成避障移动与多目标持续监测任务。但现有感知规划方案存在明显短板，仅适配低自由度底盘机器人，仅支持单目标观测，难以兼顾运动能耗与多目标可视性。传统PS-PRM算法无法适配带机械臂、云台相机的高自由度机器人，多目标视角协同规划成为技术瓶颈。Hello Robot旗下Stretch 3 移动操作机器人作为主流科研设备，亟需全新高适配感知规划框架，支撑多场景前沿科研实验。

二、核心创新：MOPS-PRM 融合场景图与神经网络感知代价

莱斯大学团队提出 MOPS-PRM（多目标感知场景图概率路线图规划器），首次将感知代价嵌入场景图语义框架，专为Stretch 3 开源操作机器人这类高自由度移动机械臂打造完整规划管线。

1. 场景图语义增强：在存储几何网格、物体位姿的场景图基础上，为每个待监测物体绑定神经网络感知代价图，利用 YOLOE 检测置信度训练 MLP 模型，快速预测任意机器人位姿下的观测质量。

2. 感知偏置分层采样：创新两段式局部采样策略，先将随机构型投影至对准物体质心的最优观测流形，再在周边高斯采样筛选感知代价最低节点构建 PRM 路线图，大幅提升高维构型空间采样效率。

3. 加权多目标最优路径求解：采用一致性启发式 A * 搜索，通过权重系数 α 灵活平衡路径运动成本与多目标累积感知代价，支持自定义不同物体观测优先级，适配展馆巡展、病房监护等差异化任务。

三、实测验证：仿真 + 真机双场景性能全面领先基线算法

研究团队基于 Isaac Sim 仿真、Hello Robot 机器人实体平台完成 100 组对照实验，选用Stretch 3 机器人5 自由度底盘 + 云台相机作为测试载体，对比三类传统感知规划基线：

1. 感知指标大幅提升：平均每帧检测物体数量提升 36%，多目标跟踪成功率提升 17%，目标检测平均置信度显著优于仅观测单一就近物体的传统方案；

2. 工程实用性可控：PRM 仅需单次构建复用多次，单条轨迹规划耗时稳定 1 秒内；虽路径长度小幅增加，但完全满足多物体持续可视的核心需求；

3. 真机场景适配：室内窄通道多展品监测实验中，算法可依据用户权重自动生成差异化观测轨迹，完美适配Hello Robot 具身智能平台的科研二次开发需求。

四、应用与未来研究方向

MOPS-PRM 可直接赋能博物馆巡检机器人、病房监护移动机械臂、居家陪护具身智能机器人等场景。团队后续将拓展 RRT 类采样框架、动态物体感知规划、开放集目标检测适配三大方向，进一步完善场景图驱动的感知 - 任务一体化规划体系，为Stretch 3、Stretch 4等科研平台提供更完善的运动感知开源算法底座。

论文链接：https://arxiv.org/pdf/2603.035

欢迎关注 “欣佰特科技” ，持续为大家带来 “具身智能领域”前沿技术及应用！详情可邮件咨询sales@cnbestec.com