北京大學與北京智源人工智能研究院等機構聯合研發的“Code-as-Monitor”技術，為機器人故障檢測領域帶來了突破性進展。這項研究通過將復雜任務轉化為幾何約束檢查問題，使機器人能夠像經驗豐富的廚師一樣，在問題發生前主動預防，或在意外發生后快速應對。其核心創新在于將視覺場景抽象為數學關系，通過代碼實時監督操作過程，顯著提升了機器人在動態環境中的可靠性和效率。

傳統機器人故障檢測依賴視覺識別，如同廚師只能在菜燒糊后才發現火候問題。而新方法通過幾何抽象，將任務分解為點、線、面的位置關系約束。例如，當機器人搬運平底鍋時，系統會實時檢查鍋體中心點是否水平、與目標位置的距離是否在安全范圍內。這種“數學化”的監督方式，使機器人能提前感知鍋體傾斜或龍蝦跳出的風險，并在0.1秒內調整動作，避免事故發生。

研究團隊提出的“主動-被動雙重檢測機制”是技術關鍵。主動檢測如同廚師預判鍋體傾斜，通過實時計算幾何關系預防錯誤；被動檢測則像處理灑落的食物，在意外發生后快速識別問題并修正。實驗數據顯示，在搬運龍蝦、躲避障礙等復雜場景中，新方法使機器人任務成功率提升28.7%，執行時間縮短31.8%。這一突破得益于約束感知分割模型“ConSeg”，它能自動識別任務關鍵物體，將其轉化為幾何元素供代碼監督。

該技術的通用性通過“餐廳運作”類比得以清晰展現：約束生成器制定任務規則，約束描繪器提取幾何特征，約束監督器實時檢查執行情況。這種模塊化設計使系統能適配不同機器人平臺。在工業機械臂、移動機器人和靈巧手系統的測試中，系統均表現出色。例如，在清理桌面任務中，機器人能理解“保留動物模型、按動物與水果距離抓取”的抽象指令，并在物品被移動時動態調整策略，而傳統開環控制機器人在此類任務中幾乎全部失敗。

研究團隊構建的約束感知分割數據集為技術落地提供了支撐。該數據集包含10萬幀機器人操作數據，標注了物體級和部件級幾何關系，可用于訓練能理解任務約束的視覺模型。數據集的獨特之處在于將操作軌跡轉換為幀級約束標注，使模型能學習“抓取工具時手指應與手柄垂直”等隱性規則。這種數據驅動的方式，使系統無需人工編程即可適應新任務。

在計算效率方面，新方法通過“一次生成代碼、多次實時檢查”的機制，將計算開銷降低80%。相比傳統方法每秒需調用視覺模型30次，新系統僅需在任務開始時生成約束代碼，后續通過矩陣運算實現毫秒級監督。這種優化使系統能在樹莓派等低算力平臺運行，為家用機器人商業化鋪平道路。

實際應用測試中，系統展現了強大的自適應能力。在倉庫分揀場景中，機器人能根據“易碎品需輕放”的約束，自動調整抓取力度；在家庭服務場景中，面對未見過的新型家具，系統仍能通過幾何關系判斷其穩定性。這種開放性源于幾何抽象的通用性——無論物體形狀如何變化，點、線、面的位置關系始終是可計算的。

技術模塊化設計進一步提升了擴展性。約束生成器可接入自然語言處理模型，使用戶通過語音下達任務；約束描繪器能融合多模態傳感器數據，提升復雜場景下的幾何感知能力；約束監督器則支持動態更新約束條件，適應任務變化。研究團隊已驗證，將激光雷達數據融入幾何約束后，機器人在黑暗環境中的操作精度提升40%。

這項研究正推動機器人技術從實驗室走向實際應用。在醫療輔助場景中，配備該系統的機械臂能精準執行手術器械傳遞任務，并在醫生手部抖動時主動補償；在農業領域，采摘機器人能通過果實與枝干的幾何關系判斷成熟度，避免損傷植株。隨著約束感知技術的成熟，未來三年內，具備自主故障處理能力的商用機器人有望進入家庭和工業場景。