用于操作规划的构型空间距离场

符号距离场是机器人学中一种流行的隐式形状表示,它以易于与控制、优化和学习技术相结合的形式提供关于物体和障碍物的几何信息。大多数情况下,SDF用于表示任务空间中的距离,这对应于我们在3D世界中感知到的熟悉的距离概念。然而,SDF在数学上可以用于其他空间,包括机器人构型空间。对于机器人操作器,该构型空间通常对应于机器人每个关节的关节角度。虽然在机器人规划中习惯性地表达构型空间的哪些部分不与障碍物碰撞,但将这种信息视为构型空间中的距离场并不常见。在本文中,我们展示了在机器人构型空间中考虑SDF进行优化的潜力,我们称之为构型空间距离场(CDF)。与在任务空间中使用SDF类似,CDF提供了高效的关节角度距离查询和对导数的直接访问。大多数方法将整体计算分为任务空间部分和构型空间部分。相反,CDF允许以统一的方式利用隐式结构来解决控制、优化和学习问题。特别是,我们提出了一种高效算法来计算和融合CDF,该算法可以推广到任意场景。还提出了一种使用多层感知器的相应神经CDF表示,以获得紧凑且连续的表示,同时提高计算效率。我们通过平面避障示例以及7轴Franka机器人在逆运动学和操作规划任务中展示了CDF的有效性。