面向机器人自建模与运动规划的高自由度动态神经场

机器人自模型是机器人物理形态的任务无关表示，可在缺乏经典几何运动学模型时用于运动规划任务。特别地，当后者难以构建或机器人运动学发生意外改变时，无人工参与的自建模是真正自主智能体的必要特性。本工作中，我们利用神经场使机器人将其运动学自建模为仅从带有相机位姿与构型标注的 2D 图像学习的神经隐式查询模型。这比依赖于深度图像或几何知识的现有方法具有显著更广的适用性。为此，连同课程式数据采样策略，我们提出了一种基于编码器的新型神经密度场架构，用于以高自由度（DOF）数为条件的人以中心动态场景。在一个 7-DOF 机器人测试装置中，所学自模型达到了机器人工作空间维度 2% 的 Chamfer-L2 距离。我们作为示例性下游应用展示了该模型在运动规划任务上的能力。