运动策略网络

Motion Policy NetworksMπNets进阶

从单个深度相机的点云直接生成无碰撞机械臂运动的神经运动规划器

华盛顿大学与英伟达的 Adam Fishman、Byron Boots、Dieter Fox 等人 2022 年 10 月发布，发表于 CoRL 2022。经典运动规划（如 RRT 这类采样式规划）需要完整准确的环境模型，在杂乱场景里也算得慢。MπNets 用一个端到端神经网络替代：输入单个深度相机看到的场景点云和机器人当前状态，逐步输出朝目标位姿移动的关节运动，连起来就是一条平滑、避障的轨迹。训练数据全部在仿真里用经典规划工具（OMPL 和 Geometric Fabrics）自动生成，覆盖 50 多万个环境、300 多万个规划问题。结果比以往的神经规划器好 46%，比全局规划器快得多、能应对动态场景，只用仿真数据训练也能迁移到带噪声的真机局部点云。代码、权重和数据已开源。