基于域分解的大规模环境中的物理信息神经运动规划
机器人学
2025-06-17 v1
摘要
物理信息神经运动规划器（PiNMP）为求解欧拉利奥偏微分方程（PDE）以及表示运动规划的成本到达函数提供了一个数据高效的框架。然而，其可扩展性仍受限于谱偏差以及由 PDE 驱动训练带来的复杂损失景观。域分解通过将环境划分为更小的子域来缓解这些问题，但现有方法仅在单个空间点上强制连续性。尽管这些方法对函数逼近有效，但它们无法捕捉运动规划所需的空间连通性，其中成本到达函数依赖于起点和终点坐标而非单个查询点。我们提出了有限基神经时间场（FB-NTFields），一种用于可扩展成本到达估计的新型神经场表示。FB-NTFields 不在输出空间中强制连续性，而是构建一个潜在空间表示，通过计算起点和终点坐标的潜在嵌入之间的距离来得到成本到达函数。这使得全局空间连贯性得以实现，同时整合了域分解，从而确保高效的大规模运动规划。我们在复杂合成和真实场景中对 FB-NTFields 进行了验证，结果表明其相较于现有 PiNMP 有显著提升。最后，我们将该方法部署在 Unitree B1 四足机器人上，成功实现了室内环境导航。补充视频可在 https://youtu.be/OpRuCbLNOwM 观看。
引用
@article{arxiv.2506.12742,
title = {Physics-informed Neural Motion Planning via Domain Decomposition in Large Environments},
author = {Yuchen Liu and Alexiy Buynitsky and Ruiqi Ni and Ahmed H. Qureshi},
journal= {arXiv preprint arXiv:2506.12742},
year = {2025}
}