机器人操作研究的重心正在从桌面协作机械臂操作转向人形双臂操作，这一范式迁移带来的一大挑战是视觉遮挡问题。我们注意到视觉遮挡问题的本质是缺乏支持任务完成的有效信息，并以此为切入点进一步提出了探索性与聚焦性操作（Exploratory and Focused Manipulation, EFM）这一更为基础的问题，其核心是让机器人主动获取信息，以完成需探索或精准聚焦的复杂操作任务。围绕这一问题，我们构建了EFM-10基准，提出了一种双臂主动感知（BAP）策略并基于该策略采集了BAPData数据集。我们通过模仿学习验证了BAP策略的有效性，还分析了主流操作策略模型的优劣与典型失败原因，为该方向研究奠定了基础。 所提出的EFM-10基准是研究EFM问题的初始载体。该基准划分出4大类注重不同探索/聚焦能力的操作任务，并为这四大类任务标准化地定义了10个典型任务，以便于全球研究者在仿真或真实环境中复现。其中，语义探索类任务要求机器人探索场景中隐藏的语义属性，如Toy-Find、Toy-Match；视觉遮挡探索类任务需机器人通过主动视角捕捉操作区域，如 Cup-Hang、Box-Push；聚焦精细操作类任务依赖对操作区域的清晰聚焦以完成细粒度操作，如 Light-Plug、Nail-Knock；兼具探索与聚焦的复杂类任务则同时要求场景探索、遮挡规避和精细操作，如 Cable-Match、Charger-Plug。 我们提出了双臂主动感知（BAP）策略，无需高自由度主动颈部即可适配双臂机器人完成EFM任务，且与基于颈部的主动视觉完全兼容，可结合使用以最大化多视角相机利用率。其核心思路是利用非操作臂提供高自由度手眼主动视觉，为任务提供所需的探索或聚焦视角，同时让操作臂在接触物体时提供力感知，支撑细粒度操作。 BAPData：该数据集包含为EFM-10任务采集的1850条真实双臂机器人演示数据，硬件平台为JAKA K-1双臂机器人（内置 6D力传感器，搭载头部相机及腕部相机）。我们通过VR遥操作进行数据采集，以10Hz 频率记录操作过程中的双臂运动轨迹和视觉/力传感数据，为细粒度双臂操作提供支撑。 雷峰网

Full article body is being fetched in the background. Refresh in a moment to see the complete paragraphs. For now this page shows a summary and AI analysis.