基于神经构型空间距离场的移动机械臂快速安全轨迹优化

移动机械臂通过协调底盘和手臂运动，有望实现敏捷的长时程行为，然而在杂乱、狭窄空间中的全身轨迹优化由于高维非凸性以及对快速、准确碰撞推理的需求而依然困难。构型空间距离场（CDF）使固定基座机械臂能够通过平滑的隐式距离直接在构型空间中对碰撞进行建模。这种表示在保留精确全身几何并提供对优化友好的碰撞代价的同时，具有绕过非线性构型到工作空间映射的巨大潜力。然而，将此能力扩展至移动机械臂受到了无界工作空间和更紧密的底盘-手臂耦合的阻碍。我们通过广义构型空间距离场（GCDF）将这一潜力提升至移动操作，将 CDF 扩展至在无界工作空间中具有更紧密底盘-手臂耦合且包含平移和旋转关节的机器人。我们证明 GCDF 保持了类欧几里得局部距离结构，并在构型空间中精确编码全身几何，同时开发了数据生成与训练流程，以产生具有精确值和梯度的连续神经 GCDF，支持高效的 GPU 批处理查询。基于该表示，我们开发了以 GCDF 碰撞推理为中心的高性能序列凸优化框架。该求解器通过以下方式扩展至大量隐式约束：(i) 神经约束的在线设定，(ii) 具备跨数千个约束的并行批处理评估的稀疏感知有效集检测，以及 (iii) 用于场景变化下快速重规划的增量约束管理。