基于条件扩散模型的跨环境、跨本体化路径规划框架
机器人学
2025-10-23 v1 人工智能
摘要
对于高维杂乱环境中的机器人系统，路径规划需要高效、安全且适应不同环境和硬件。传统方法计算时间长，需 extensive 参数调优，而基于学习的方法仍难以有效泛化。本研究的主要目标是开发一种能够针对未见环境和新型机器人机械臂进行推理的路径规划框架，而无需重新训练。我们提出了 GADGET（Generalizable and Adaptive Diffusion-Guided Environment-aware Trajectory generation），一种基于扩散的规划模型，可生成以体素化场景表示以及起始和目标配置为条件的关节空间轨迹。GADGET 的关键创新在于其混合双条件机制，将通过学习场景编码实现的无分类器引导，与通过分类器引导的控制屏障函数（CBF）安全塑形相结合，将环境感知与实时碰撞规避直接集成到去噪过程中。该设计支持对新环境和新型机械臂的零样本迁移，无需重新训练。实验结果表明，GADGET 在球形障碍、分拣和货架环境中实现了高成功率且碰撞强度低，CBF 引导进一步提升了安全性。而且，与基于采样和基于学习的基线方法相比，GADGET 性能表现优异。此外，GADGET 在 Franka Panda、Kinova Gen3（6/7 自由度）和 UR5 机器人之间实现了迁移，实际执行于 Kinova Gen3 上证明其能够在实际场景中生成安全、无碰撞的轨迹。
引用
@article{arxiv.2510.19128,
title = {A Cross-Environment and Cross-Embodiment Path Planning Framework via a Conditional Diffusion Model},
author = {Mehran Ghafarian Tamizi and Homayoun Honari and Amir Mehdi Soufi Enayati and Aleksey Nozdryn-Plotnicki and Homayoun Najjaran},
journal= {arXiv preprint arXiv:2510.19128},
year = {2025}
}
备注
20 pages, 9 figures