FusionForce：面向轨迹预测的端到端可微分神经符号层
机器人学
2025-06-25 v4 计算机视觉与模式识别
摘要
我们提出一种端到端可微分模型，用于从摄像头图像和/或激光点云预测机器人在粗糙野外地形上的轨迹。该模型集成了一个可学习的组件，用于预测机器人-地形相互作用力，以及一个神经符号层，用于强制执行经典力学定律，从而提高对分布外数据的泛化能力。神经符号层包括一个可微分的物理引擎，通过查询与地形接触点的相互作用力来计算机器人的轨迹。由于该架构包含大量几何和物理先验知识，最终得到的模型也可视为一个以真实传感器数据为条件的可学习物理引擎，每秒可生成 条轨迹。我们认为该架构缩小了仿真到现实的差距，并减轻了分布外敏感性。该模型的可微分性结合快速仿真速度，使其特别适用于各种应用，包括模型预测控制、轨迹投射、监督学习和强化学习，或 SLAM。
引用
@article{arxiv.2502.10156,
title = {FusionForce: End-to-end Differentiable Neural-Symbolic Layer for Trajectory Prediction},
author = {Ruslan Agishev and Karel Zimmermann},
journal= {arXiv preprint arXiv:2502.10156},
year = {2025}
}
备注
Code: https://github.com/ctu-vras/fusionforce