施工机器人不再靠手写避让规则：只用激光雷达，砖砌试验路径不规则度降39.2%
核心概要
施工机器人靠近工人时需要预判人的移动，而现有社交导航方法依赖手工交互规则、标注示范或与特定机器人绑定的控制策略。这套只用激光雷达的框架以匀速外推自动生成残差目标，用图神经网络建模机器人、行人与目标之间的关系，并通过扩展卡尔曼滤波把逐帧检测连成动态图，输出与规划器无关的路径修正。在砖砌试验中，它把路径不规则度降低39.2%并提高了最小碰撞时间；在七条Dynablox序列上，最小碰撞时间平均提高38.3%，路径比基线更短更平滑。
深度剖析
施工机器人现在可以从没有标注的人类示范轨迹里学到避让修正，而不必先定义社交代价或标注偏好动作。 此前的社交导航方法依赖手工交互规则、标注示范或机器人专属控制策略，在示范数据有限、社交反应很少被标注的施工现场难以扩展和迁移。 训练数据来自74次由建筑行业从业者完成的仿真试验，其中36条经人工筛选的平滑无碰撞示范被用于学习，训练目标由匀速外推自动生成，共28622帧。
修正量以空间偏移的形式叠加到已有规划器给出的路径点上，因此换一个局部规划器不必重训模型。 端到端策略直接预测控制指令，往往与特定机器人或规划器紧密耦合，难以接入现有施工机器人导航系统。 模型输出二维路径修正向量，在砖砌试验和七条Dynablox序列上与原始路径、社会力模型修正和MLP交互池化基线比较。
部署时，逐帧激光雷达检测先经扩展卡尔曼滤波关联成带身份和速度的连续目标，再据此在线构图。 Dynablox能分割动态点，但不维持目标身份和物体级运动状态，无法直接提供图模型所需的时间一致位置与速度。 在砖砌试验中，目标检测模块在机器人板载CPU上以与局部规划器控制频率对应的速率运行，全程不使用相机观测。
在砖砌试验中，修正后的路径比原始路径更平滑，同时保持了同等的最近行人距离。 原始路径没有针对附近工人做预判性调整，路径不规则度为7.22。 砖砌试验中路径不规则度从7.22降到4.39，降幅39.2%；路径长度从58.96增至63.25，最近行人距离与原始路径同为1.56。
启示与展望
已展示的范围是一个室内砖砌试验台上的四足机器人加Velodyne VLP-16激光雷达，以及七条Dynablox公开真实序列上的离线按实时速率顺序处理；作者提出下一步将在更多施工任务、环境布局、交互模式和机器人平台上评估，并开展以工人主观感受为中心的人因实验。
作者指出实机验证只覆盖有限施工场景和单一机器人平台，匀速假设难以准确表示加速或突然转向，评估主要依赖行人距离和碰撞时间等客观指标，未涵盖工人感知的舒适度、动作自然性或社会可接受性。