你隔着一丛树叶找东西时，往往会侧一下头，从缝隙里多看几眼。移动机器人也会遇到同样的问题：枝叶等近处物体挡住目标，不仅让普通识别失灵，也会破坏依靠多视角匹配特征的三维重建。2026年9月发表于 Science Robotics 的这项工作，把改变观察位置本身纳入了机器人的探索策略。不过，“学会主动探头”是便于理解的概括；现有材料不能证明这一动作由学习获得。
“探头”也是感知的一部分
研究把昆虫左右摆动观察的 peering 动作，与合成孔径成像联系起来。后者是指相机沿一段轨迹从多个位置拍摄，再用计算把这些画面合成为一次观测。近处枝叶会随着视角变化快速移动，远处目标变化较小——这种差异叫“运动视差”。算法据此制造很浅的景深，让不在焦点上的前景遮挡物变模糊，突出后方目标。
换句话说，机器人没有真的移开枝叶，而是移动相机，从许多条略有不同的视线中拼出一张更容易读懂的图。论文预印本称，实验平台是工业级四足机器人，但方法不依赖“机器狗”形态，也可用于双足、轮式或爬行机器人。
它为什么值得关注？
论文全文给出的可见光演示中，相机移动约11厘米，合成300张图像；近红外演示移动约7厘米，合成27张，说明这一思路可以跨不同光谱工作。
研究还把同一组300张图像交给 SfM、NeRF 和 VGGT——三类利用多视角信息恢复场景的方法。在严重、随机的遮挡下，它们没有恢复出有效场景，处理约需15分钟至5到6小时；合成孔径方案则面向实时的二维去遮挡。预印本另报告，多模态模型在普通遮挡图像上的视觉推理失败，换用处理后的图像时理解有所改善。这个结果只来自特定场景，不能等同于机器人获得了通用视觉能力。
局限与未知
- 现有材料未交代自主规划“探头”轨迹的具体机制，因此不能确认它是否会自行判断何时、往哪边移动。
- 公开数字展示了典型实验设置，但未提供可概括为通用成功率的指标。
- 论文标题中的“see the unseeable”带有宣传修辞；更准确地说，它是在特定遮挡条件下改善画面的可解释性。