- 现有**触觉(tactile) ** 和** 接近传感器(proximity sensors) ** 虽能辅助机器人避碰，但如何设计传感器的属性（如覆盖范围、类型、探测距离）以实现有效避碰行为仍不清楚
- 外部相机易受遮挡，而本体传感器具有抗遮挡优势，需要明确其设计原则
- ** 研究背景**：人形机器人全身避碰依赖感知系统，但传感器布局与参数对学习效果的影响缺乏系统研究
- 提出基于**强化学习(reinforcement learning) ** 的全身避碰框架，应用于** 人形机器人H1-2**
- 设计** 躲避球(dodgeball) ** 作为基准任务，用于评估避碰性能
- 对分布在机器人上半身的传感器属性进行** 消融实验(ablation study) ** ，包括传感覆盖范围、类型（接近 vs. 触觉）、探测距离及方向性（定向 vs. 非定向）
- 比较** 原始接近测量(raw proximity measurements) ** 与** 显式物体定位(explicit object localization) ** ，以及** 稀疏非定向信号**与** 密集定向信号**的性能差异
- **首次系统表征** ：系统性地分析传感器属性（覆盖、类型、范围）如何塑造学习到的**避碰行为(avoidance behavior) ** ，而非仅提出单一方法
- ** 关键发现**：原始接近测量可替代显式物体定位，前提是传感范围足够；稀疏非定向接近信号在** 样本效率(sample efficiency) ** 上优于密集定向信号
- ** 实用性洞见**：揭示了传感器设计中的权衡，即无需复杂定位即可实现有效避碰，且简单稀疏的感知模式更高效
- 为**人形机器人传感器布局设计** 提供了量化指导原则，帮助工程师选择传感器类型、范围和密度
- 提出一个可复用的**强化学习评估框架** ，用于测试不同传感器配置下的避碰性能
- 实验表明** 显式物体定位并非必须** ，简化感知系统可降低计算成本并提升学习效率
- 推动** 末端感知(egocentric perception)** 在机器人避碰中的应用，减少对外部视觉系统的依赖