从运动学到动力学：学习细化混合计划以实现物理可行执行
机器人学
2026-04-21 v2 人工智能
摘要
在许多机器人任务中，代理人必须遍历一系列空间区域以完成使命。这类问题本质上是混合的离散-连续问题：需要制定高层次的动作序列以及物理可行的连续轨迹。此外， resulting 轨迹和动作序列还必须满足诸如截止时间、时间窗口以及速度或加速度限制等问题约束。虽然混合时序规划器试图解决这一挑战，但它们通常使用线性（一阶）动力学建模，无法保证生成的计划满足机器人的真实物理约束。因此，即使高层次动作序列固定，产生动态可行的轨迹仍然是一个双层优化问题。我们通过连续空间中的强化学习来解决这一问题。我们定义了一个明确包含分析二阶约束的马尔可夫决策过程（MDP），用于细化由混合规划器生成的 первоначal 一阶计划。我们的实验结果表明，这种方法能够可靠地恢复物理可行性，有效地弥合了规划器初始一阶轨迹与真实执行所需动力学之间的差距。
引用
@article{arxiv.2604.12474,
title = {From Kinematics to Dynamics: Learning to Refine Hybrid Plans for Physically Feasible Execution},
author = {Lidor Erez and Shahaf S. Shperberg and Ayal Taitler},
journal= {arXiv preprint arXiv:2604.12474},
year = {2026}
}