NeuPAN：基于端到端模型学习的直接点云机器人导航
机器人学
2025-02-12 v3 人工智能
摘要
在非完整约束机器人在杂乱未知环境中导航时，需要精确的感知和精准的运动控制以实现实时避障。本文提出了 NeuPAN：一种实时、高精度、无地图、易于部署且环境不变的机器人运动规划器。利用紧密耦合的感知到控制框架，NeuPAN 相比现有方法有两项关键创新：1) 它直接将原始点云数据映射到潜在距离特征空间以生成无碰撞运动，避免了从感知到控制流程中的误差传播；2) 从端到端模型学习的角度来看，它是可解释的。NeuPAN 的核心是通过即插即用 (PnP) 近端交替最小化网络 (PAN)（在回路中结合神经元）求解具有众多点级约束的端到端数学模型。这使得 NeuPAN 能够生成实时且物理可解释的运动。它无缝集成了数据引擎和知识引擎，其网络参数可通过反向传播进行微调。我们在地面移动机器人、轮腿式机器人和自动驾驶汽车上，于广泛的仿真和真实环境中评估了 NeuPAN。结果表明，NeuPAN 在准确性、效率、鲁棒性和泛化能力方面优于现有基线，适用于包括杂乱沙箱、办公室、走廊和停车场在内的各种环境。我们展示了 NeuPAN 在具有任意形状物体的未知和非结构化环境中表现良好，能够将不可通行的路径转化为可通行的路径。
引用
@article{arxiv.2403.06828,
title = {NeuPAN: Direct Point Robot Navigation with End-to-End Model-based Learning},
author = {Ruihua Han and Shuai Wang and Shuaijun Wang and Zeqing Zhang and Jianjun Chen and Shijie Lin and Chengyang Li and Chengzhong Xu and Yonina C. Eldar and Qi Hao and Jia Pan},
journal= {arXiv preprint arXiv:2403.06828},
year = {2025}
}
备注
Accepted by TRO 2025; project website: https://hanruihua.github.io/neupan_project/