基于隐式表征的可微分障碍规避：面向收缩动力系统

随着机器人被要求执行越来越复杂和动态的任务，确保机器人技能的安全性和鲁棒性变得至关重要。前者在执行 cluttered 环境中的任务时至关重要，而后者则 relevant to克服未遇到的任务情境。本文针对从演示中学习的动态机器人技能，解决确保安全性和鲁棒性的挑战。具体而言，我们基于神经收缩动力系统提供对所学技能的鲁棒外推，同时设计一种保持收缩稳定性的全身障碍规避策略，以可微分变换实现。这在需要隐式场景表征（如符号距离场SDF）的复杂环境中尤为关键。为此，我们提出的框架称为符号距离场可微分变换（SDF Diffeomorphic Transform），利用SDF和基于流的可微分同构实现保持收缩的障碍规避。我们在合成数据集和几个真实世界的机器人任务（在厨房环境中）上进行了彻底的评估。我们的结果表明，该方法在保持接近所学动力学的同时局部调整所学收缩向量场，而不引入高度曲线的运动路径，从而在多个最先进方法中取得优势。