Shape-Aware Neural Time Fields 用于刚体运动与操作规划

arXiv:2610.22762v1 发布类型：cross 摘要：刚体运动规划是机器人运输与操作的基础，因为物体的位置和姿态共同决定刚体能否穿过杂乱环境。这种耦合使规划变得困难，因为周围几何结构对平移和旋转施加的约束可能截然不同。我们提出 Shape-Aware Neural Time Fields，这是一种融入物理信息的神经运动规划框架，能够学习一种可复用的行进时间（或称到达代价）表示，用于刚体运动，同时显式考虑这些不同的几何限制。学习得到的场能够捕捉平移和旋转中的局部运动难度，并与一种基于采样的规划器结合，在朝目标前进与到达附近位姿的代价之间进行权衡。我们在二维和三维刚体规划任务以及多种环境中的非抓取式操作任务（通过推动物体完成）上评估了该框架。结果表明，与融入物理信息的神经规划基线相比，该方法在规划成功率和推理效率方面均有显著提升；与此同时，在规划时间显著更低的情况下，其性能仍可与经典的基于采样的规划器相媲美。消融实验进一步验证了学习表示和所提出规划策略各自的贡献。最后，在存在执行偏差和外部扰动的条件下进行的闭环推动实验表明，快速重新规划能够实现具有反应性和自适应性的任务执行。