边看边跳：高自由度机器人的同步运动与感知规划

动态空间中机器人的大多数常见任务要求环境被定期且主动地感知，其中许多任务明确要求物体或人员处于视野内，即用于监控或安全。然而，同时求解运动与感知任务具有挑战性，因为这些目标往往施加相互冲突的要求。此外，虽然机器人必须快速响应环境变化，但在运行时直接评估感知质量（如物体检测置信度）往往代价高昂或不可行。这个问题在以人为中心的环境中尤为重要，例如家庭和医院，其中有效的感知对于安全可靠运行至关重要。在本工作中，我们从起始配置到目标配置，在静态和动态环境中为高自由度（DoF）机器人求解具有连续感知约束的运动规划问题。我们提出了一种 GPU 并行化的感知得分引导概率路线图规划器，并配备神经代理模型（PS-PRM）。与现有的主动感知、视觉感知感知或基于学习的规划器不同，我们的工作将感知任务和约束直接整合到运动规划公式中。我们的方法使用神经代理模型近似感知得分，将其纳入路线图，并利用 GPU 并行性实现在动态设置中的高效在线重规划。我们证明，在仿真和真实机器人实验中，我们的规划器在高自由度机器人上均优于基线方法。