用于肢体级采样式 locomotion 规划的神经观测-预测模型学习
机器人学
2025-10-28 v1
摘要
准确的全身运动预测对于 legged 机器人在拥挤环境中安全、自主导航至关重要，使能像肢体级碰撞检测等关键能力。简化的运动学模型往往无法捕捉机器人及其低层控制器的复杂、闭环动力学，限制其预测仅能实现简单平面运动。为此，我们提出一种基于学习的观测-预测框架，准确预测此类运动。该方法包含一个具有可证明 UUB 保证的数据观测器，提供可靠的潜在状态估计，源自一段历史的关节力学测量值。这种稳定的估计初始化一个计算高效的预测器，旨在快速、并行评估数千种潜在轨迹，以满足现代采样式规划器的需求。我们通过在 Vision 60 四足机器人上集成本 neural predictor 到 MPPI 基于规划器中进行了验证。硬件实验成功演示了在具有挑战性狭窄通道和小障碍物上的有效、肢体感知运动规划，凸显了本系统为动态机器人平台上高性能、碰撞感知规划提供稳健基础的能力。
关键词
引用
@article{arxiv.2510.22789,
title = {Learning Neural Observer-Predictor Models for Limb-level Sampling-based Locomotion Planning},
author = {Abhijeet M. Kulkarni and Ioannis Poulakakis and Guoquan Huang},
journal= {arXiv preprint arXiv:2510.22789},
year = {2025}
}