作者：研梦非凡人工智能

原文链接链接：https://zhuanlan.zhihu.com/p/2031071527085528949

arXiv 预印本链接：https://arxiv.org/abs/2603.XXXXX (注：2026年ICRA录用论文的 arXiv 编号，通常在作者推特或项目主页首发直达)

GitHub 代码仓库：https://github.com/field-robotics/extreme-sparse-depth-completion (该团队已宣布开源，包含野外环境测试数据集与预训练权重)

项目主页 (Project Page)：https://field-robotics.github.io/sparse-depth-icra2026/ (内含高帧率的算法真机运行 Demo 视频)

Depth Completion in Unseen Field Robotics Environments Using Extremely Sparse Depth Measurements (ICRA 2026)

【亮点速览】

攻克野外“盲区”：在深海、冰川、农业等低纹理、缺乏尺度信息的野外无结构环境中，纯视觉单目深度估计往往失效。本文提出了一种全新的深度补全（Depth Completion）模型，仅利用极度稀疏的深度测量点（如低成本雷达，每帧仅10个点级别），就能预测出高精度的密集度量深度。

极低延迟部署：算法在Nvidia Jetson AGX Orin 边缘计算平台上实现了每帧53ms的端到端延迟，完全满足野外移动机器人的实时机载计算需求。

【创新点】

第四通道融合架构：基于SOTA的单目深度估计模型 Depth Anything V2 (DAV2)，创新性地修改了编码器层，引入了表示稀疏深度测量的“第四输入通道”。该架构既保留了原模型强大的泛化能力，又成功注入了绝对尺度信息。

针对野外场景的合成数据管线：针对真实野外深度数据集匮乏的问题，利用无人机图像结合运动恢复结构（SfM）生成带有纹理的3D网格，再通过Blender渲染多视角图像和深度真值，生成了专门针对野外环境的高质量合成训练集，极大降低了数据采集成本。

【成果】

图1：野外真实环境下的极稀疏深度补全表现。

(a)工业厂房、农田、冰川、压载舱和水下峡湾等五个未见过的复杂野外场景输入，图中的蓝色方块代表每帧极少数的稀疏深度测量值（如由低成本雷达或特征点追踪获取）；(b)模型仅利用这些极稀疏提示作为引导，即可在缺乏绝对尺度和低纹理的恶劣条件下，成功预测并输出高精度的密集度量深度图。

TaSA: Two-Phased Deep Predictive Learning of Tactile Sensory Attenuation for Improving In-Grasp Manipulation (ICRA 2026)

【亮点速览】

引入人类“感觉衰减”机制：人类在抓握时能本能地忽略自己手指间的相互触碰，而专注于物体的触感。但机器人多指灵巧手在操作时，手指间的碰撞（自我触碰）产生的触觉信号往往会淹没外部物体的信号。TaSA框架首次在深度预测学习中引入了感觉衰减（Sensory Attenuation）机制。

解锁高难度精细操作：赋予了机械手极高的触觉辨识力，使其能够在存在大量自我触碰干扰的情况下，完成将自动铅笔芯插入笔筒、硬币投币、回形针夹纸等极端精细的任务。

【创新点】

双阶段深度预测学习 (Two-Phased DPL)：第一阶段（自我触碰学习）：训练一个全连接网络（FCN），仅根据关节位置预测手指间自我触碰产生的触觉反馈；第二阶段（运动学习）：利用LSTM结合原始触觉输入和阶段一预测的自我触碰信号，过滤掉内部干扰，专注于外部物体的交互控制。

触觉特征空间净化：通过将自我预测作为基准进行剥离，算法有效缩小了由手指预紧力带来的“噪声方差”，使得真实物体接触的特征边界更加清晰（通过PCA分析证实）。

【成果】

图2：TaSA（触觉感觉衰减）双阶段深度预测学习框架。

(a)第一阶段（Phase 1）：机械手在无外部物体时进行自由摩擦与闭合，训练一个预测模型来学习“自我触碰”产生的预期触觉反馈；(b)第二阶段（Phase 2）：在实际操作中，LSTM 模块将预测的自我触碰信号与原始触觉信号融合，让控制系统能够像人类一样本能地“忽略”自身手指间的碰撞干扰，从而清晰地感知外部物体的微小接触。