基于深度融合距离场的 cuRoboV2：面向高DoF机器人的动力学感知运动生成
摘要
有效的机器人自主能力需要安全、可行且具有反应性的运动生成。当前方法碎片化：快速规划器输出不可执行的轨迹，响应式控制器在高保真感知方面受限，现有求解器在高DoF系统上难以胜任。我们提出 cuRoboV2，一个统一框架，包含三个关键创新：(1) 强制执行光滑性和扭矩限制的 B 样条轨迹优化；(2) GPU 原生 TSDF/ESDF 感知管线，生成覆盖整个工作空间的稠密有符号距离场，不同于仅提供稀疏分配区域内距离的现有方法，速度提升最高可达 10 倍，内存使用降低最高可达 8 倍，操纵规模下达到 99% 碰撞召回率；(3) 可扩展的 GPU 原生全身计算，即拓扑感知的正向运动学、可微逆动力学和映射-归约自碰撞，实现最高 61 倍加速，同时扩展至高DoF类人机器人（其中先前的 GPU 实现会失败）。在基准测试中，cuRoboV2 在 3kg 有效载荷下达到 99.7% 成功率（基线方法仅达 72%--77%），48DoF 类人机器人上实现 99.6% 无碰撞逆运动学（先前方法完全无法实现），约束满足率达 89.5%（相较于 PyRoki 的 61%）；这些无碰撞运动使 locomotion 策略的跟踪误差比 PyRoki 低 21%，跨种子方差比 GMR 低 12 倍。为提升可发现性进行的全新代码架构设计，使 LLM 编码助手能够为最多 73% 的新模块编写代码，包括手优化的 CUDA 内核，表明良好结构化的机器人代码可解锁人类-LLM 协作的生产力。综上，这些突破提供了一个从单臂操作臂扩展到完整类人的统一、动力学感知的运动生成堆栈。代码已公开于 https://github.com/NVlabs/curobo。
引用
@article{arxiv.2603.05493,
title = {cuRoboV2: Dynamics-Aware Motion Generation with Depth-Fused Distance Fields for High-DoF Robots},
author = {Balakumar Sundaralingam and Adithyavairavan Murali and Stan Birchfield},
journal= {arXiv preprint arXiv:2603.05493},
year = {2026}
}
备注
cuRoboV2 Technical Report with code url