面向移动操作机器人全身运动规划的反应式框架：结合强化学习与 SDF 约束二次规划
机器人学
2025-04-01 v1
摘要
作为具身人工智能的一个重要分支，移动操作机器人正在广泛应用于智能服务领域，但其冗余的自由度也限制了在杂乱环境中进行高效运动规划。为此，本文提出一种用于移动操作机器人反应式全身运动规划的混合学习与优化框架。我们开发了贝叶斯分布软演员-评论家 (Bayes-DSAC) 算法，以提高价值估计质量和学习收敛性能。此外，我们引入一种基于符号距离场 (SDF) 的二次规划方法，以增强障碍规避运动的安全性。我们进行了实验并与标准基准进行了比较。实验结果验证，我们提出的框架显著提高了反应式全身运动规划的效率，缩短了规划时间，并提升了运动规划的成功率。此外，所提出的强化学习方法确保了全身规划任务中快速的学习过程。该新型框架使移动操作机器人能够更安全、更高效地适应复杂环境。
引用
@article{arxiv.2503.23975,
title = {A Reactive Framework for Whole-Body Motion Planning of Mobile Manipulators Combining Reinforcement Learning and SDF-Constrained Quadratic Programmi},
author = {Chenyu Zhang and Shiying Sun and Kuan Liu and Chuanbao Zhou and Xiaoguang Zhao and Min Tan and Yanlong Huang},
journal= {arXiv preprint arXiv:2503.23975},
year = {2025}
}