论文导读
加州大学伯克利分校AUTOLab提出TRACE，让机器人把“看”和“拨弄”结合起来追踪杂乱电缆，遇到分叉和缠绕就主动拨开再判断。110次物理实验显示，在最多4根线、40个交叉点的复杂场景里，正确追踪长度比例从约60%提升到约90%。数据中心理线这种苦活，机器人终于能搭把手。
乱线难，难在交叉处“看不出谁是谁”
电缆这类可变形线性物体的状态估计（也就是追踪），在数据中心、制造、建筑、家庭和外科手术中都是关键难题——线缆管理是否精确，直接影响运行安全和效率。
真正棘手的是多根同色电缆混在前景和背景杂物中的情况：遮挡、重叠、模糊的交叉点让系统很难判断某根线从交叉处出来后到底走了哪条路。纯视觉方法往往在第一个交叉点就跟错，后面整条线都跟着错。
双向追踪加两种“动手”基元
TRACE全称“双向路由与线缆估计”，核心是把双向追踪和交互式感知基元结合起来。它沿着线缆从两个方向同时追踪；一旦遇到歧义，就不再只靠眼睛猜，而是主动动手。
系统设计了两种交互动作：“分叉拨推”在追踪路径出现分叉分歧时，拨开对应区域看清走向；“簇团扩张”则把缠绕成簇的线缆撑开，露出内部结构。动作之后再结合新观测继续追踪，把物理干预纳入感知闭环。
图：流程图展示双向追踪、检测歧义、调用拨推或扩张动作、再继续追踪的闭环。
110次物理实验：约60%到约90%
团队用110次物理实验评测，复杂场景最多包含4根电缆、40个交叉点。结果显示，最强的前序方法HANDLOOM 2.0在这类场景下正确追踪的线缆长度比例约为60%，而TRACE提升到约90%。
图：柱状图按有无前景杂物和四个难度层级，对比TRACE与HANDLOOM 2.0的正确追踪长度比例。
更细的数字同样有说服力：在60个杂乱试次中，32个场景做到全程无错，正确追踪长度比例从40.2%提升到89.3%，平均增益达77%。下图是与其他方法的对比，TRACE不仅超过RT-DLO，也优于Nano Banana Pro和ChatGPT 5.2。
图：对比图给出各方法在同一场景下的追踪路径与正确率差别。
在一张搭载RTX 4090的工作站上试运行，平均计算时间为每根电缆0.4秒，足以支持机器人在线交互。
未来落地：从理线苦活到高精度线缆运维
这类能力的应用场景清晰而具体：数据中心机架理线、制造业线束装配、建筑布线和手术中的线缆管理，都是劳动密集又对准确性要求极高的环节。TRACE证明“边动边看”的交互感知能显著突破纯视觉的天花板。
下一步可以处理更多线缆和更严重的遮挡、优化交互动作以减少对线缆的扰动，并把追踪结果直接接到后续操作任务上。当机器人能可靠解开一团乱线，线缆运维的自动化才算真正迈出了关键一步。
