用于动态室内环境中机器人导航的可微复合神经符号距离场
机器人学
2025-03-07 v2
摘要
神经符号距离场（SDFs）提供了一种可微的环境表示，可以方便地获取碰撞检测和定义明确的梯度，用于机器人导航任务。然而，随着场景的变化更新神经SDF需要重新训练，这繁琐、耗时且效率低下，使其不适用于视野有限的机器人在动态环境中的导航。为了实现这一目标，我们提出了一种复合神经SDF框架，仅使用机载RGB-D传感器来解决室内环境中的机器人导航问题。我们的框架体现了一种用于轨迹优化的双模式过程，不同模式使用互补的方法来建模碰撞代价和碰撞避免梯度。主阶段在障碍物点云处查询沿路径扫掠至目标的机器人身体SDF，从而能够快速进行轨迹的局部优化。次阶段通过对齐和组合其组成部分的SDF表示来推断可见场景的SDF，为轨迹优化提供信息更丰富的代价和梯度。这种双模式过程结合了两个阶段的优点，在iGibson 2.0上实现了98%的成功率，比基线高出14.4%，且摊销规划时间相当。我们还展示了其在适应真实世界室内场景方面的有效性。
引用
@article{arxiv.2502.02664,
title = {Differentiable Composite Neural Signed Distance Fields for Robot Navigation in Dynamic Indoor Environments},
author = {S. Talha Bukhari and Daniel Lawson and Ahmed H. Qureshi},
journal= {arXiv preprint arXiv:2502.02664},
year = {2025}
}