人形机器人躲球，难点不只是动作够快：它还得避开全身碰撞、保持平衡，并且只能靠头顶相机看清来球。PAC-MAN把强化学习（让机器人通过奖惩学会动作）与控制屏障函数（CBF，一道会修正危险动作的数学“护栏”）结合，用躲避球测试高速全身动作能否兼顾现实部署中的安全。
论文最值得注意的发现有些反直觉：安全机制并非越强越好。训练时，较强的 Joint-CBF会综合全身关节与各身体部位的安全距离；但固定相机可能短暂丢失来球，观测不足时，这套指导反而退化。让相机云台持续追球，或在运行时提供精确球状态后，它的表现才恢复。最终，作者选择更轻量的 Link-CBF，只在训练中按身体部位提供安全指导，并将策略直接部署到 Unitree G1；机器人运行时仅使用机载深度图和自身姿态信息。作者称，该方案无需现实环境再训练，也能借助语义分割识别并躲避不同的球。摘要中的真实投掷成功次数缺失，因此尚不能据此判断实际成功率。