面向未知环境的物理信息神经映射与运动规划
机器人学
2025-06-17 v2
摘要
映射与运动规划是机器人智能中两个相互关联的基本要素，用于生成环境地图和绕行障碍物。现有映射方法创建的地图需要计算密集型运动规划工具来寻找路径解决方案。本文提出了一种新的映射特征，称为到达时间场，是Eikonal方程的解。到达时间场可直接指导机器人在给定环境中导航。因此，本文引入了一种新方法，称为Active Neural Time Fields (Active NTFields)，这是一种物理信息神经框架，主动探索未知环境并为机器人运动规划即时映射其到达时间场。我们的方法无需学习任何专家数据，并使用神经网络直接求解到达时间场的Eikonal方程进行映射和运动规划。我们对该方法进行基准测试，与最先进的映射和运动规划方法进行比较，并在使用差动驱动机器人和6自由度(DOF)机器人机械臂的仿真和真实环境中展示了其优异性能。补充视频可在 https://youtu.be/qTPL5a6pRKk 查看，实现代码仓库可在 https://github.com/Rtlyc/antfields-demo 查看。
引用
@article{arxiv.2410.09883,
title = {Physics-informed Neural Mapping and Motion Planning in Unknown Environments},
author = {Yuchen Liu and Ruiqi Ni and Ahmed H. Qureshi},
journal= {arXiv preprint arXiv:2410.09883},
year = {2025}
}
备注
Published in: IEEE Transactions on Robotics ( Volume: 41)