神经运动规划

用神经网络从海量规划样例中学会直接生成无碰撞运动的方法。

神经运动规划指用神经网络完成或辅助运动规划：输入场景观测（常为点云）、当前和目标构型，输出无碰撞的路径或下一步动作。传统采样式规划器（如 RRT）和轨迹优化每遇到新问题都从零计算，杂乱场景有时要算几分钟，还依赖精确的场景几何模型。神经方法先用传统规划器在仿真里大量生成专家解，再用模仿学习蒸馏进网络，推理时前向计算即可出动作。代表工作有 2018 年的 MPNet（编码障碍物点云、逐步预测下一构型，可与 RRT* 结合保证成功）、2022 年英伟达与华盛顿大学的 MπNets（在 50 万个以上环境、300 万个以上规划问题上训练，直接从深度相机点云出动作），以及 2024 年 CMU 的 Neural MP（程序化生成大量场景训练通用策略，部署时再加轻量优化保证安全）。难点是网络输出本身没有无碰撞保证，通常要配碰撞检查或回退机制。

例子Neural MP 在真实世界 4 类环境、64 个任务上测试，从场景点云直接生成机械臂运动，成功率比采样式、优化式、学习式基线分别提升 23%、17%、79%。

也叫

学习型运动规划、神经运动规划器、Learning-based Motion Planning

相关

运动规划、运动策略网络、快速扩展随机树、模仿学习、碰撞检查、cuRobo

来源

Neural MP: A Generalist Neural Motion Planner (arXiv 2409.05864)
Motion Policy Networks (arXiv 2210.12209)
Motion Planning Networks (arXiv 1806.05767)

信息截至

2024-09