港科大ARCLab研究团队概况 - 团队由沈劭劼教授领衔，专注于自主导航、无人机技术、传感器融合与三维视觉等领域，强调从算法到系统的工程闭环与开源生态[2] - 团队在学术与工程落地双线并进，获得IEEE T-RO最佳论文奖荣誉提及、IROS最佳学生论文奖等多项荣誉，并两度获AI 2000最具影响力学者荣誉提名[3] - 团队特色为产品化思维与强工程执行力，坚持问题选择直面真实场景痛点，解法偏向优化与系统集成，重视落地实验与全链路复现[3] - 人才培养成果显著，实验室成员活跃于学术与产业一线，如高飞（浙大长聘副教授）、秦通（上交副教授、曾任华为"天才少年"）等[4] 状态估计与多源融合 - 提出统一位姿图优化框架，将局部高精度但会漂移的VO/VIO与全局无漂移但噪声较大的传感器融合，通过图优化对齐局部轨迹到全局坐标并显式消除累计漂移[5] - 框架通用可插拔，在公开数据集与真实环境验证中优于多种SOTA方案，为长时程与大范围任务在GNSS受限场景提供低门槛多源融合方案[5] - 利用事件相机超高时间分辨率，提出不依赖地图的视觉惯性估计方案，通过实时恢复线速度实现低时延、米级标定的速度估计，适用于高速无人机与极端运动场景[17][18] 轻量化建图与地图对齐 - 开发SLIM框架，将LiDAR点云简化为"线"和"面"表示道路和建筑，使地图更轻量且易于维护，支持不同时间采集地图的合并与整体优化[8] - 在KITTI数据集上实现整张城市地图约130 KB/公里的体量，精度不降且支持直接再次定位，显著降低长期运行中地图存储、更新和复用成本[8] - 提出场景图配准方法，将环境抽象为场景图，通过开放集语义、局部拓扑和形状特征融合成紧凑节点描述，实现低带宽下的多机器人地图对齐，每帧仅需约52 KB通信[13] 复杂环境自主导航 - 针对狭窄隧道（最小直径0.5 m）提出实时在线多旋翼自主系统，通过虚拟全向感知克服弱纹理/弱光与有限视场，显式建模感知可见性与自体气流扰动[6] - 在真实窄隧道实验中定制四旋翼表现优于人类飞手，并提供跨平台部署流程与开源包，为检修/搜救等受限空间作业提供可复用工程方案[6] - 结合视觉识别与主动触觉确认玻璃存在性，通过轻量触觉模块点触确认后写入三维体素地图并即时重规划绕行路径，提升玻璃密集空间巡检/搜救效率[10] 场景理解与拓扑推理 - 提出SEPT框架，将标准清晰度地图作为先验信息接入在线感知与拓扑推理，通过混合特征融合缓解SD地图与BEV特征的错位问题[12] - 利用路口特性设计路口感知关键点辅助任务，在OpenLane-V2数据集上对远距离/遮挡等难场景有明显提升，为低成本轻地图自动驾驶提供可行路径[12] - 基于向量化车道图表示道路与交互关系，在逆强化学习框架下学到隐含奖励与策略，采样出多种合理未来轨迹，提升复杂路口与长尾交互场景的预测稳健性[16] 轨迹预测与决策 - 采用逆强化学习方法，先推理意图后预测轨迹，通过可解释意图推理器编码场景车辆与道路要素到统一向量表示，推断多种可能意图作为先验[20] - 在Argoverse与nuScenes数据集上取得SOTA效果，显著提升置信度与性能，为路口博弈、遮挡等不确定场景提供更可解释且易与规划对接的预测路径[20] - 提出分层参数化生成器与精修模块，结合概率融合提高置信度，对未见场景的泛化能力优于纯监督方法，增强预测结果的可扩展性[16] 2025年研究主线总结 - 团队沿五条主线推进：更稳的状态估计与多源融合、更轻量的建图与地图对齐、更可靠的复杂/极端环境自主导航、更全面的场景理解与拓扑推理、更精准的轨迹预测与决策[23] - 整体风格保持问题导向与从算法到系统，兼顾可复现与工程落地，面向长期运行、低带宽与弱先验场景，强调通用性与可扩展性[23] - 年度关键词为稳、轻、实、通、可解释，体现技术演进方向[24]

人形机器人技术突破 - 天工Ultra在人形机器人100米比赛中获得金牌，采用自主导航策略 [4] - 自主导航依托激光雷达、环视摄像头和算法实现，类似智能驾驶技术但难度更高 [4] - 机器人环境复杂度高，涉及30多个关节控制 [4] - 研发团队表示采用自主导航旨在改变"机器人是大玩具"的公众印象 [4] 行业技术发展 - 人形机器人自主导航技术取得显著进展，北京人形机器人创新中心有限公司为研发主体 [4] - 机器人运动控制技术面临复杂环境挑战，关节控制数量达30多个 [4] - 自主导航系统整合了多传感器融合技术（激光雷达+环视摄像头） [4]

人形机器人技术突破 - 天工Ultra在人形机器人100米比赛中采用自主导航策略获得金牌 旨在改变"机器人是大玩具"的公众认知 [3] - 自主导航技术依托激光雷达 环视摄像头及算法实现 与智能驾驶原理类似但复杂度更高 涉及30多个关节控制 [3] 美团业务动态 - 美团启动"堂食提振"计划 具体措施未披露 [4]

人形机器人大会赛事表现 - 宇树在1500米、400米、4×100米径赛中均获得金牌，其H1型号平均速度达3.8米/秒，采用遥控器以最大化性能压榨[3] - 天工Ultra凭借自主导航策略（激光雷达+环视摄像头+算法）赢得100米金牌，其环境复杂度涉及30多个关节控制，难度高于智能驾驶[3] - 魔法原子通过强化学习优化MagicBot Z1跑步姿态，2-3周内极限速度提升1米/秒至复赛水平[5] - 宇树包揽100米障碍赛金银铜牌，其子公司灵翌科技以38.36秒完赛，对比第二名PNDbotics的7分22秒，凸显技术领先优势[6][8] 行业技术瓶颈与突破 - 障碍赛75%未完赛率反映行业普遍痛点：算法鲁棒性、执行稳定性、感知运动协调性不足，宇树运动控制算法获同行认可[8][10] - 仅3/20+队伍实现全自主任务完成，优理奇在酒店清理赛夺冠，传统编程仍为主流，暴露感知泛化能力缺陷（如无法区分可乐品牌）[10][11] - 天轶2.0在物料搬运赛中展示全自主能力获亚军，显示场景化应用的技术分化[10] 技术演进方向 - 自主导航与强化学习成为性能突破关键：天工Ultra的激光雷达融合方案、魔法原子的奖励函数优化案例显示算法迭代路径[3][5] - 从"演示级"到"应用级"需跨越三大门槛：算法泛化能力、环境感知精度、自适应学习效率[11] - 赛事结果揭示真实进度：运动控制（宇树）和场景理解（优理奇）构成当前技术双主线[6][10][11]

世界人形机器人运动会表现 - 宇树在1500米、400米、4×100米径赛中均获得金牌，其H1型号平均速度达3.8米/秒，采用遥控器以最大化性能压榨 [1] - 天工Ultra凭借自主导航策略（激光雷达+环视摄像头+算法）赢得100米金牌，技术难度高于智能驾驶因涉及30多个关节控制 [1] - 魔法原子通过强化学习优化MagicBot Z1跑步姿态，2-3周内极限速度提升1米/秒，进入100米复赛 [5] - 宇树包揽100米障碍赛金银铜牌，灵翌科技以38.36秒完赛，同组其他6名选手75%未完成（PNDbotics耗时7分22秒） [5][8] 技术进展与行业痛点 - 天卓、天骁等未完成障碍赛，反映行业普遍存在算法鲁棒性、执行稳定性、感知运动协调性短板 [8] - 松延动力等团队认可宇树运动控制算法，其本体被用于实验室研究 [8] - 物料搬运赛中天轶2.0全自主完成任务获亚军季军，酒店清理赛优理奇夺冠，仅三组实现全自主 [10] - 多数公司仍依赖传统编程预设动作，机器人感知泛化能力不足（如无法识别百事可乐与可口可乐差异） [10] 行业现状与发展方向 - 当前机器人能跑跳但复杂场景适应性不足，需突破算法泛化、感知能力和自适应学习以实现"应用级"转型 [11] - 比赛未完成率（如障碍赛75%）客观反映行业真实技术进度条 [1][11]