机器人对抗性学习（Adversarial Learning in Robotics）是指智能体在与对抗性环境或对手交互过程中，通过持续对抗来提升自身决策能力的机器学习范式。其核心在于构建一个动态博弈系统，让机器人同时扮演学习者和对抗者的双重角色，在防御对抗攻击的同时主动探索策略漏洞，从而获得更强的环境适应性和鲁棒性。
在产品落地层面，该技术能显著提升服务机器人在复杂场景下的安全性能，例如让扫地机器人学会识别恶意遮挡的障碍物，或使物流分拣机械臂抵抗人为干扰。当前研究前沿集中在多智能体对抗框架设计，以及将对抗训练与模仿学习、强化学习等方法融合。推荐延伸阅读《Adversarial Machine Learning》（Yevgeniy Vorobeychik等著）中对工业场景应用的系统分析。