基于全局引导可微硬约束投影的非结构化环境自监督路径规划
机器人学
2026-01-28 v1 系统与控制
系统与控制
摘要
在非结构化环境中部署深度学习智能体进行自主导航面临安全、数据稀缺和计算资源有限等关键挑战。传统求解器常因延迟高，而新兴的学习方法则难以确保确定性可行性。为弥合从具身智能到嵌入式智能的鸿沟，我们提出一种自监督框架，集成可微硬约束投影层用于运行时保证。为缓解数据稀缺，我们构建全局引导人工势场(G-APF)，提供无需手动标记的稠密监督信号。为高效执行执行器限制和几何约束，我们采用自适应神经投影层，迭代将粗糙网络输出投影到可行流形上。20,000个场景的广泛基准测试显示，成功率达88.75%，证明了提升的运行安全性。CARLA中的闭环实验进一步验证了在动态约束下计划路径的物理可实现性。此外，在NVIDIA Jetson Orin NX上的部署验证显示，推理延迟为94毫秒，表明在资源受限的嵌入式硬件上实现了实时性。该框架为将物理规律嵌入神经网络架构提供了通用范式，为解决机电系统中的受约束优化问题提供了可行之路。源代码：https://github.com/wzq-13/SSHC.git。
引用
@article{arxiv.2601.19354,
title = {Self-Supervised Path Planning in Unstructured Environments via Global-Guided Differentiable Hard Constraint Projection},
author = {Ziqian Wang and Chenxi Fang and Zhen Zhang},
journal= {arXiv preprint arXiv:2601.19354},
year = {2026}
}