动态神经势场：存在移动障碍物时的在线轨迹优化
机器人学
2026-03-26 v3 人工智能
摘要
通用机器人策略必须在家中、办公室和仓库等日常人类环境中安全可靠地运行，其中人们和物品的运动是不可预测的。我们提出Dynamic Neural Potential Field (NPField-GPT)，一种学习增强的模型预测控制(MPC)框架，将经典优化与基于Transformer的足迹感知斥力势预测器相耦合。给定占用子图、机器人足迹和可选的动态障碍信息，NPField-GPT模型预测不同时间段的可微分势场，这些势场被注入到顺序二次MPC程序中，通过L4CasADi实现，从而实现实时、受约束的轨迹优化。我们还研究了两个基线方法: NPField-StaticMLP，其中将动态场景视为静态图序列;以及NPField-DynamicMLP，其使用MLP并行预测未来势场序列。在来自BenchMR的动态室内场景以及在办公楼走廊上的Husky UGV上，NPField-GPT在运动变化下产生更高效、更安全的轨迹，而StaticMLP/DynamicMLP提供更低的延迟。我们还与CIAO*和MPPI等基线方法进行了比较。通过Transformer+MPC的协同作用，保留了基于模型的规划的透明性和稳定性，同时仅学习从数据中受益的部分：时空碰撞风险。代码和训练好的模型已在https://github.com/CognitiveAISystems/Dynamic-Neural-Potential-Field 上提供。
引用
@article{arxiv.2410.06819,
title = {Dynamic Neural Potential Field: Online Trajectory Optimization in the Presence of Moving Obstacles},
author = {Aleksei Staroverov and Muhammad Alhaddad and Aditya Narendra and Konstantin Mironov and Aleksandr Panov},
journal= {arXiv preprint arXiv:2410.06819},
year = {2026}
}