结合采样与基于梯度的规划用于富含接触的操作

对不连续动力学进行规划是接触丰富操作等机器人任务所需要的，当使用神经网络或解析模型时，这给规划方法的数值稳定性与速度带来了挑战。一方面，基于采样的规划器在高维问题中需要更高的采样复杂度，且无法描述如力限制等安全约束。另一方面，当 Hessian 条件数较差时，基于梯度的求解器会陷入局部最优与收敛问题。我们提出了一种兼具采样与基于梯度要素的规划方法，使用交叉熵方法（Cross-entropy Method）来初始化基于梯度的求解器，从而更好地搜索局部极小并能处理显式约束。我们展示了该方法可为阻抗控制机器人与刚性环境接触时实现平滑、稳定的富含接触规划，并与仅梯度的 MPC 及 CEM 进行了基准对比。