[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-pac-man-humanoid-dodgeball-safety-zh":3,"article-related-pac-man-humanoid-dodgeball-safety-zh":30,"series-research-27ea61f5-fd76-4df9-a9d0-05f049ca9a66":75},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":11},"27ea61f5-fd76-4df9-a9d0-05f049ca9a66","pac-man-humanoid-dodgeball-safety-zh","PAC-MAN 讓人形機器人閃球更安全","\u003Cp>PAC-MAN 怎麼讓人形機器人閃球更安全？\u003C\u002Fp>\u003Cp data-speakable=\"summary\">PAC-MAN把控制障礙函數和機器人本機感知結合起來，讓人形機器人在真實視覺限制下也能更安全地閃避來球。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>研究機構\u003C\u002Fstrong>：arXiv 摘要未明確標註\u003C\u002Fli>\u003Cli>\u003Cstrong>核心數據\u003C\u002Fstrong>：95% of throws\u003C\u002Fli>\u003Cli>\u003Cstrong>突破點\u003C\u002Fstrong>：感知感知式 CBF-RL\u003C\u002Fli>\u003C\u002Ful>\u003Cp>PAC-MAN 這篇論文在解的，不只是「怎麼躲球」，而是「怎麼在感知不完美的真實機器人上，還能把安全做進去」。對人形機器人來說，這是很實際的痛點。訓練時看到的世界，常常比上機後乾淨太多；但真正部署時，鏡頭角度、遮擋、深度資訊品質，都會直接影響控制策略能不能活下來。\u003C\u002Fp>\u003Cp>這篇摘要講得很明白：控制障礙函數可以提供安全引導，但前提是機器人真的看得到足夠準確的狀態。PAC-MAN 的重點，就是把這個前提拉回現實。它不是假設機器人有完美球體座標，而是讓策略從頭部相機的感知出發，再把安全約束接到整個身體的連結上。\u003C\u002Fp>\u003Ch2>這篇論文要修的是什麼洞\u003C\u002Fh2>\u003Cp>人形機器人的安全問題，比一般移動平台更麻煩。因為它不是\u003Ca href=\"\u002Fnews\u002Fretoken-one-token-visual-retrieval-zh\">一個\u003C\u002Fa>點在動，而是一整串 link 在動。碰撞風險可以出現在手、腳、手臂、身體任何地方。再加上 dodgeball 這種高速動態場景，球會快速移動，也可能短暫遮擋，讓感知更不穩。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785481375867-2a5a.png\" alt=\"PAC-MAN 讓人形機器人閃球更安全\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>摘要把核心矛盾點出來了：CBF 類方法能\u003Ca href=\"\u002Fnews\u002Fml-trace-seiberg-dualities-zh\">幫忙\u003C\u002Fa>做安全引導，但它依賴的是可觀測狀態。如果訓練時用的是理想資訊，部署時卻只剩有限的機載感知，策略就很容易落差過大。PAC-MAN 要修的，就是這個「訓練看起來很穩、上機就失真」的落差。\u003C\u002Fp>\u003Cp>所以它不是單純的學習閃避策略，也不是單純的安全控制器。它是把兩者接起來，還刻意把感知限制納入設計。這個方向對實作很重要，因為真實世界裡，失敗通常不是演算法不夠聰明，而是它假設的感知條件根本不存在。\u003C\u002Fp>\u003Ch2>PAC-MAN 的方法怎麼運作\u003C\u002Fh2>\u003Cp>PAC-MAN 是 Perception-Aware CBF-RL。名字已經把架構講得很清楚：它把控制障礙函數的安全結構，和強化學習的反應式策略綁在一起，但不是用抽象的理想狀態，而是用部署時真的拿得到的感知輸入。\u003C\u002Fp>\u003Cp>摘要提到，runtime 時機器人使用頭部相機來看球，而且球不是以完美狀態向量表示，而是以 segmentation-masked depth 的形式進入系統。這代表\u003Ca href=\"\u002Fnews\u002Fanthropic-open-model-fight-lonely-ai-stance-zh\">模型\u003C\u002Fa>看到的是被分割遮罩過的深度資訊，而不是「球在哪裡」這種天使視角。這種設計很像是在提醒系統：別依賴你上線後拿不到的東西。\u003C\u002Fp>\u003Cp>在訓練過程中，系統會用 CBF guidance 來表示到每個身體 link 的安全距離。這很關鍵。因為對人形機器人來說，安全不是只看末端執行器或某一個點，而是整個身體都要被約束住。摘要也提到，它還加入 adversarial motion prior 來正則化閃避反應，目的是讓策略更穩、更不容易學出脆弱的動作模式。\u003C\u002Fp>\u003Cp>換句話說，這個方法不是只教機器人「往左閃」或「往右躲」，而是把躲球這件事放進一個有安全邊界、也有感知限制的學習框架裡。這讓策略更像真實部署會需要的樣子，而不是實驗室裡的理想版本。\u003C\u002Fp>\u003Ch2>它實際證明了什麼\u003C\u002Fh2>\u003Cp>論文的評估設計也很有針對性。摘要提到使用 controlled any-link contact \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>，而且投擲是 seeded throws。測試分成兩種情境：單次投擲，以及機器人走回站位、再回復狀態後繼續面對下一次投擲的部署迴圈。後者很重要，因為它測的不是一次閃避，而是能不能連續維持表現。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785481380775-uetf.png\" alt=\"PAC-MAN 讓人形機器人閃球更安全\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>不過，摘要沒有公開完整 benchmark 數字，所以沒有辦法在這裡列出更細的分數表或各項指標。能引用的數字，主要就是摘要提到的 95% of throws。除此之外，摘要只說這個策略表現「接近」一個 privileged state oracle，但沒有把完整差距展開。\u003C\u002Fp>\u003Cp>在真實機器人上，摘要說他們把 lightweight Link-CBF policy zero-shot 部署到 Unitree G1。這裡的重點是 zero-shot，也就是摘要描述中沒有額外上機再訓練。結果是機器人能容忍不完美感知，對 95% 的投擲成功閃避，還能用 semantic segmentation 來對不同球做出反應。\u003C\u002Fp>\u003Cp>另一個值得注意的結果，是 Joint-CBF 對感知品質非常敏感。當球的狀態很準時，它表現最好；但如果只有 fixed-camera observations，而且 CBF 只是拿來當訓練引導，效果就會掉下來。若再加上 ball-tracking gimbal，或是 privileged runtime filter，表現又能回升。這表示 barrier 方法不是萬靈丹，它的效果高度依賴 runtime 真的看得到多少。\u003C\u002Fp>\u003Ch2>對開發者來說，這代表什麼\u003C\u002Fh2>\u003Cp>這篇最實用的訊號，是安全系統和感知系統不能分開設計。很多控制器在 paper 裡看起來很漂亮，是因為它默認了很好的 state estimate；但機器人真的上場時，鏡頭視角、遮擋、深度誤差，會把這些假設全部打回原形。PAC-MAN 的價值就在於，它把這個落差直接寫進方法裡。\u003C\u002Fp>\u003Cp>對做 humanoid、mobile manipulation，或任何需要快速反應的 embodied system 的團隊來說，這是一個很實際的設計範式：先分清楚訓練時能拿到什麼、部署時真正能拿到什麼，再讓安全約束建立在後者上。這比事後補救更可靠。\u003C\u002Fp>\u003Cp>但限制也很清楚。摘要描述的是一個受控 benchmark 加上一個特定的真實 dodgeball 設定，所以它不能直接證明這套方法對所有任務、所有環境、所有對手都同樣安全。摘要也沒有公開完整 benchmark 細節，因此讀者如果要做技術選型，還是得回到論文本體看完整實驗設計。\u003C\u002Fp>\u003Cp>即便如此，這篇的工程含意仍然很明確：如果你要讓人形機器人在真實世界裡快動作、還要顧安全，感知感知式的安全控制可能比純模型式安全，或純學習式反應，都更接近可部署的答案。PAC-MAN 展示的是一種務實路線：讓機器人用它真的看得到的世界去做安全決策，而不是靠想像中的完美感知。\u003C\u002Fp>\u003Ch2>總結\u003C\u002Fh2>\u003Cp>PAC-MAN 證明了一件事：人形機器人的安全控制，不能只在乾淨狀態空間裡談。它把控制障礙函數、強化學習和本機感知接在一起，讓機器人用頭部相機和分割深度也能做出有安全結構的閃避動作。\u003C\u002Fp>\u003Cp>對\u003Ca href=\"\u002Ftag\u002F台灣開發者\">台灣開發者\u003C\u002Fa>來說，這篇最值得記住的不是 dodgeball 本身，而是它背後的部署觀念。真實機器人沒有完美視野，安全方法也不能假設自己有。能把這件事處理好的系統，才比較像真的能上線。\u003C\u002Fp>\u003Cul>\u003Cli>摘要公開的實測結果是 95% of throws。\u003C\u002Fli>\u003Cli>Joint-CBF 的效果會強烈依賴感知是否足夠可觀測。\u003C\u002Fli>\u003Cli>這篇方法的重點，是把安全約束對齊真實機載感知。\u003C\u002Fli>\u003C\u002Ful>","PAC-MAN把控制障礙函數和機器人本機感知結合起來，讓人形機器人在真實視覺限制下也能更安全地閃避來球。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.28623",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785481375867-2a5a.png","research","zh","00655d82-4035-4ac8-8c48-ed070e82f4a5",[17,18,19,20,21,22],"control barrier function","reinforcement learning","humanoid robot","onboard perception","semantic segmentation","Unitree G1",[24,25,26],"把安全約束和本機感知一起設計，比假設完美狀態更實際。","摘要公開的實測數字有限，只有 95% of throws 與接近 privileged oracle 的高層描述。","這套方法的效果很吃觀測品質，固定相機、gimbal、runtime filter 會影響結果。",0,"2026-07-31T07:02:32.393678+00:00","2026-07-31T07:02:32.373+00:00",{"tags":31,"relatedLang":34,"relatedPosts":38},[32],{"name":18,"slug":33},"reinforcement-learning",{"id":15,"slug":35,"title":36,"language":37},"pac-man-humanoid-dodgeball-safety-en","PAC-MAN makes humanoid dodgeball safer","en",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"d0e6aae8-7bf9-42bc-a8ff-16bfd8e32c9f","retoken-one-token-visual-retrieval-zh","ReToken：一個 token 抓回視覺脈絡","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785479571709-eug9.png","2026-07-31T06:32:24.178463+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"274e17d7-3802-4c6d-acfb-b09f4d6e924d","ml-trace-seiberg-dualities-zh","ML 幫忙追 Seiberg 對偶","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785477769825-coi8.png","2026-07-31T06:02:28.09076+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"59958bf8-ca7f-4d66-a170-e54eaa4c1b77","fruitfly-inspired-regression-without-heavy-models-zh","果蠅啟發回歸：用模式匹配省算力","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785394980008-nvqp.png","2026-07-30T07:02:27.028832+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"f3cf3f4d-31fc-4666-8132-57c69ed66f4d","mental-world-modeling-simulating-minds-zh","世界模型不只看場景，也要看心智","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785393187520-8rd3.png","2026-07-30T06:32:29.057837+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"08ceac3e-dd49-42e7-b976-e962eae021ca","pretrain-q-functions-online-rl-finetuning-zh","Q 函數不一定要先預訓練","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785391369404-txyj.png","2026-07-30T06:02:23.775888+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"c8c4d82d-7dd9-46e7-98a0-f6f2c6b86c1e","openai-agent-hack-forces-tighter-eval-controls-zh","OpenAI 事件逼你收緊 eval","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785326587078-rzpe.png","2026-07-29T12:02:45.792562+00:00",[76,81,86,91,96,101,106,111,116,121],{"id":77,"slug":78,"title":79,"created_at":80},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":82,"slug":83,"title":84,"created_at":85},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":87,"slug":88,"title":89,"created_at":90},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]