基于分支定界和神经动力学的 BaB-ND：长期程度运动规划

基于观测数据学习的神经网络动力学模型在机器人操纵任务的场景动力学预测方面显示出强大的预测能力。然而，其固有的非线性为有效规划带来了显著挑战。当前的方法往往依赖大量抽样或局部梯度下降，在涉及复杂接触事件的长期程度运动规划任务中难以胜任。本文提出了一种基于分支定界(BaB)的 GPU 加速框架，用于操纵任务中基于神经动力学模型的运动规划。该方法采用专用的分支准则将搜索空间划分为子域，并应用受最先进神经网络验证器 alpha-beta-CROWN 启发的修改界限传播方法，有效估计这些子域内的目标界限。分支过程有效指导规划，而界限过程则战略性地缩小搜索空间。该框架在挑战性的、富含接触事件的操纵任务中实现了卓越的规划性能，包括带障碍的非抓握平面推送、物体分类和绳索编排，适用于仿真和实际环境。此外，本框架支持各种神经网络架构，从简单的多层感知器到先进的图神经网络动力学模型，并且能够高效地随模型规模进行扩展。