Implicit Swept Volume SDF: Enabling Continuous Collision-Free Trajectory Generation for Arbitrary Shapes

📄 arXiv: 2405.00362v1 📥 PDF

作者: Jingping Wang, Tingrui Zhang, Qixuan Zhang, Chuxiao Zeng, Jingyi Yu, Chao Xu, Lan Xu, Fei Gao

分类: cs.RO, cs.CG, cs.GR

发布日期: 2024-05-01

备注: accecpted by SIGGRAPH2024&TOG. Joint First Authors: Jingping Wang,Tingrui Zhang, Joint Corresponding authors: Fei Gao, Lan Xu

DOI: 10.1145/3658181

🔗 代码/项目: GITHUB

💡 一句话要点

提出隐式扫掠体SDF，实现任意形状物体的连续无碰撞轨迹生成

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 轨迹生成 碰撞避免 扫掠体 符号距离场 运动规划 机器人 隐式表示

📋 核心要点

  1. 现有轨迹生成方法在处理非凸物体和复杂环境时，难以保证连续无碰撞运动，通常依赖简化形状或离散采样。
  2. 论文提出一种基于隐式扫掠体符号距离场（SVSDF）的分层轨迹生成流程，用于指导轨迹优化，实现连续碰撞避免。
  3. 实验表明，该方法在各种复杂场景和不同动力学机器人上均有效，相较于传统算法，展现出更强的通用性和CCA性能。

📝 摘要（中文）

本文提出了一种新的分层轨迹生成流程，利用扫掠体符号距离场（SVSDF）来指导连续碰撞避免（CCA）的轨迹优化。该方法融合了图形学和机器人学的技术，在解决轨迹生成问题上表现出卓越的有效性，尤其是在非凸几何体和复杂环境中。我们将SVSDF的计算建模为广义半无限规划模型，并通过隐式求解查询点的数值解，避免了对表面进行显式重建。该算法已在各种复杂场景中得到验证，并适用于具有不同动力学的机器人，包括刚性和可变形形状。与典型算法相比，它展示了卓越的通用性和优越的CCA性能。代码将在https://github.com/ZJU-FAST-Lab/Implicit-SVSDF-Planner 上发布。

🔬 方法详解

问题定义：论文旨在解决物体轨迹生成中，尤其是在非凸几何体和复杂环境中，如何保证连续无碰撞运动（CCA）的问题。现有方法要么过度简化物体形状，导致可行空间损失，要么依赖离散采样，容易出现“隧道效应”。

核心思路：论文的核心思路是利用扫掠体符号距离场（SVSDF）来隐式地表示物体在运动过程中的碰撞信息。通过SVSDF，可以高效地查询空间中任意一点到物体扫掠体的距离，从而指导轨迹优化，避免碰撞。

技术框架：该方法采用分层轨迹生成流程。首先，利用SVSDF生成初始轨迹。然后，通过优化算法，在SVSDF的引导下，对轨迹进行优化，最终得到满足连续碰撞避免约束的轨迹。SVSDF的计算被建模为广义半无限规划问题。

关键创新：该方法最重要的创新在于使用隐式SVSDF来表示物体的扫掠体。与显式重建扫掠体表面相比，隐式方法避免了复杂的几何计算，提高了计算效率。此外，将SVSDF的计算建模为广义半无限规划问题，并采用数值方法求解，使得该方法能够处理复杂的物体形状和运动。

关键设计：SVSDF的计算依赖于对广义半无限规划问题的求解。具体实现中，需要选择合适的数值优化算法，并设计有效的约束条件，以保证求解的精度和效率。轨迹优化过程中，需要设计合适的损失函数，将碰撞避免约束转化为可优化的目标。此外，还需要考虑机器人的动力学约束，以保证生成的轨迹是可执行的。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文在多种复杂场景下验证了所提算法的有效性，包括静态障碍物环境和动态环境。实验结果表明，该算法能够生成连续无碰撞的轨迹，并且具有较高的计算效率。与传统的基于采样的算法相比，该算法能够更好地利用可行空间，避免“隧道效应”。该算法适用于具有不同动力学的机器人，包括刚性和可变形形状。

🎯 应用场景

该研究成果可广泛应用于机器人运动规划、自动驾驶、游戏动画等领域。在机器人领域，可以帮助机器人安全地在复杂环境中进行导航和操作。在自动驾驶领域，可以提高自动驾驶车辆的安全性，避免碰撞事故。在游戏动画领域，可以生成更加逼真的角色运动轨迹。

📄 摘要（原文）

In the field of trajectory generation for objects, ensuring continuous collision-free motion remains a huge challenge, especially for non-convex geometries and complex environments. Previous methods either oversimplify object shapes, which results in a sacrifice of feasible space or rely on discrete sampling, which suffers from the "tunnel effect". To address these limitations, we propose a novel hierarchical trajectory generation pipeline, which utilizes the Swept Volume Signed Distance Field (SVSDF) to guide trajectory optimization for Continuous Collision Avoidance (CCA). Our interdisciplinary approach, blending techniques from graphics and robotics, exhibits outstanding effectiveness in solving this problem. We formulate the computation of the SVSDF as a Generalized Semi-Infinite Programming model, and we solve for the numerical solutions at query points implicitly, thereby eliminating the need for explicit reconstruction of the surface. Our algorithm has been validated in a variety of complex scenarios and applies to robots of various dynamics, including both rigid and deformable shapes. It demonstrates exceptional universality and superior CCA performance compared to typical algorithms. The code will be released at https://github.com/ZJU-FAST-Lab/Implicit-SVSDF-Planner for the benefit of the community.