【具身AGI导读】激光穿过玻璃，本该挡路的墙在地图里根本不存在；把玻璃补上去，又容易把本来能走的路一起堵死。一篇预印本把这两件事写成了同一个必须同时成立的目标。
2026 年 10 月 1 日，arXiv 刊出一篇预印本，编号 2610.02110，主分类为机器人学，由一支高校研究团队完成，其 Comments 字段记载该稿已投稿 IEEE Robotics and Automation Letters，尚在评审，并未录用。论文处理的是一个长期存在的传感失效：激光雷达的激光能量可能穿过玻璃、被镜面反射，或者只带回很弱的回波，本该出现的碰撞边界因此在导航地图里缺失，甚至留下鬼点。对机器人导航来说，这等于地图把一块玻璃当成了可以直穿的空间。
论文把问题重写成两个必须同时成立的目标——玻璃要被标成障碍，不漏；玻璃周围可通行的自由空间不能被连累标成障碍，不误占。作者把「被地图错误标成障碍的自由空间」称为 spill，并让这条判断贯穿候选校验与全局地图构建的全过程。
这类失效怎么补，行业里长期分成两类做法，各有各的失效面。一类靠物理线索——回波强度、反射花样、多路径测量，或者干脆用接触与超声确认；按论文作者的归纳，这类做法依赖「恰好可观测」的信号，或者要额外加硬件。另一类是「视觉检测加周边三维几何」，难点不在检出玻璃，而在把图像里的检测落到正确的三维结构上：看起来像框边的边缘，可能属于遮挡物，也可能属于玻璃后面的东西。
学习式直接从图像推断玻璃深度或平面参数，而建筑玻璃本身几乎没有特征，相机看到的主要是玻璃后面或反射出来的场景，深度因此变得含糊；管线式把图像证据锚到附近带度量的观测上，却可能锚错结构——两类做法都可能产出「看似合理、位置错误」的平面。更值得记的一步是评价标准的转向：过去问的是有没有把玻璃重建出来，这篇论文接着问的是，重建出玻璃的同时有没有污染可通行的自由空间。这条原则落在具身智能的落地账上：一次不完整的建图，最后会算到整机的通行安全里。做法上，论文把学习成分挪到更可靠的二维玻璃检测，用周边激光点的结构线特征撑起带度量的平面候选，再以不需要深度的投影几何校验朝向，最后由一个全局假设管理器在行进中合并、剔除，并把当前认可的平面逐帧送进规划器的碰撞扫描。论文也交代了边界：多视角重投影复核是一项取舍而不是白赚，它减少了累计的假占用，却要拿近场覆盖去换；定性部分只是规划器集成的演示，不算量化的导航成功率评测。
深度机智（北京）科技有限公司把落点放在物理AI 基座模型上。
这件事真正改的，不是某类传感器的检出率，而是地图对「什么算障碍」的定义方式。一张给机器人用的地图，既要覆盖到该挡路的玻璃，也不能把能走的路误标掉——当前方法仍只覆盖平面、近垂直的玻璃，曲面或大倾角还留作后续，推理速度也仍需改进。
障碍认得太少和认得太多，在导航里是同一种失败的两面——一张好地图要同时守住这两条边。
参考资料
arXiv · GlassGuard: Verified Glass Plane Mapping for Robot Navigation · 2026-10-01