CDFlow：基于神经ODE的配置空间距离场生成模型
机器人学
2025-09-18 v1
摘要
符号距离场（SDF）是机器人运动规划中的基本表示，其配置空间对应物——配置空间距离场（CDF），直接编码了关节空间中的距离，为优化和控制提供了统一的表示。然而，现有的 CDF 公式在高自由度（DoF）机器人面临两个主要挑战：（1）它们仅返回单个最近碰撞配置，忽略了最小距离碰撞配置的多模态特性，导致梯度歧义；（2）依赖稀疏的碰撞边界采样，往往无法识别真正最近的配置，导致在高维空间中产生过平滑的近似和几何畸变。我们提出 CDFlow，一种通过神经普通微分方程（Neural ODEs）学习配置空间中连续流动的新框架，以解决上述局限性。我们将问题从寻找单个最近点转变为建模最小距离碰撞配置的分布。我们还引入一种自适应细化采样策略，用于生成该分布的高保真训练数据。所得的神经 ODE 在隐式地建模该多模态分布方面具有优势，生成的光滑、一致的梯度场——即作为指向该分布的期望方向——可缓解梯度歧义并保留锐利的几何特征。在高DoF运动规划任务的广泛实验中，CDFlow 显示出在规划效率、轨迹质量和鲁棒性方面显著优于现有 CDF 方法，使具备碰撞意识的机器人在复杂环境中实现更稳健、更高效的规划。
引用
@article{arxiv.2509.13771,
title = {CDFlow: Generative Gradient Flows for Configuration Space Distance Fields via Neural ODEs},
author = {Mengzhu Li and Yunyu Zhou and He Ying and F. Richard Yu},
journal= {arXiv preprint arXiv:2509.13771},
year = {2025}
}