EPFL新框架：机器人零样本迁移削皮，泛化能力飙升

一根弯曲的香蕉，对人来说不过是顺手拿起来剥皮的事。但对机器人而言，这个动作背后藏着一道几乎无解的几何难题。

瑞士洛桑联邦理工学院（EPFL）与伊迪亚普研究所的科学家们，刚刚发表了一项有望打破这一僵局的研究成果。他们开发出一套全新方法，让机器人能够流畅地削香蕉皮、切红薯，甚至探测从未见过的3D打印物体表面。

这项研究于4月22日登上顶级期刊《科学—机器人》。

多年来，机器人在工厂流水线上表现出色，但那是因为它面对的都是标准化的、几乎一模一样的零件。一旦换成厨房里高低胖瘦各异的蔬果，它就会"手足无措"。

问题的核心，在于曲面几何的复杂性。平面物体有统一的参考坐标系，机器人能轻松"找到方向"。但弯曲的物体没有这种全局参考框架，每一点的表面法向、曲率都在变化，让现有的姿态估计方法频频失效。

更麻烦的是，即便是同一类蔬果，形状差异也可能极大。两根香蕉的弯曲角度、长度、粗细往往各不相同。为每一种可能的形状单独训练机器人，既不现实，也难以规模化。

这正是本次研究突破的起点。研究团队提出的核心问题是：能不能让机器人只学一次，就能举一反三，应对各种形状？

研究团队的解法，听起来有些出人意料：他们借鉴了物理学中的热传导方程。

具体来说，他们利用扩散方程（即热方程）在物体表面传播几何信息，在每一个点上生成一个局部坐标系，由此构建出一个连续平滑的"方向场"。这个方向场就像是给弯曲物体的表面铺了一层导航网格，机器人可以沿着这张网格理解"什么叫沿着表面走"，"什么叫垂直切入表面"。

与此前许多方法不同，这套方案直接作用于点云数据，不需要干净的三维网格模型。这意味着它能处理传感器噪声和不完整的视觉数据，在真实环境中更加鲁棒。

为了处理机器人在自由空间移动和接触物体表面之间的切换，研究团队还将扩散方法与蒙特卡洛计算技术相结合，实现了快速、无网格的计算，让整个系统在实时操控中保持响应速度。

在50个随机变形物体上的测试显示，与传统方法相比，这套框架让机器人的动作轨迹更为一致，泛化能力显著更强。

这项研究更大的野心，藏在一个词里：零样本迁移（zero-shot transfer）。

传统机器人学习范式要求大量数据和反复训练。而EPFL团队的框架允许机器人将在简单几何形状上学到的技能，直接迁移到从未见过的复杂物体上，不需要重新训练，不需要额外演示，更不需要为每种蔬果准备专属程序。

这在实验中已经得到验证。研究人员展示了机器人成功给香蕉和红薯削皮、切割蔬菜，以及探测多种陌生3D打印物体表面的过程。每一次任务迁移，用的都是同一套以物体为中心的方向指令，例如"沿着"表面、"朝向"表面。

这种表达方式模拟了人类操作时的直觉逻辑，而非依赖硬编码的坐标数据。

该框架的兼容性也值得关注。它可以无缝对接多种控制策略，包括遥操作、轨迹优化和强化学习，在不同场景下均能加速收敛，提升规划效率。

当然，研究团队也坦承，目前的成果仍属于概念验证阶段。从实验室的香蕉到真实厨房里的满地泥土豆，还有很长的路要走。传感器噪声、光线变化、物体被遮挡、机器人末端执行器的力控制精度，每一关都不轻松。

但方向已经清晰：让机器人真正理解物体的形状，而不只是记住它的样子。当这一步走稳，削皮、切菜、洗碗的机器人厨房助手，或许不只是科幻电影里的画面了。