C-3TO: Continuous 3D Trajectory Optimization on Neural Euclidean Signed Distance Fields

📄 arXiv: 2509.20084v1 📥 PDF

作者: Guillermo Gil, Jose Antonio Cobano, Luis Merino, Fernando Caballero

分类: cs.RO

发布日期: 2025-09-24

备注: 9 pages, 5 figures, submitted to ICRA 2026

💡 一句话要点

C-3TO：基于神经欧几里德符号距离场的连续3D轨迹优化

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 轨迹优化 神经ESDF 连续优化 无人机 机器人导航

📋 核心要点

  1. 现有轨迹优化方法依赖离散ESDF网格插值，精度受限，难以保证轨迹的安全性与平滑性。
  2. C-3TO直接在连续神经ESDF上优化五阶多项式轨迹，利用精确梯度信息，实现高效的轨迹规划。
  3. 实验证明C-3TO能生成具有碰撞意识和动态可行性的轨迹，且参数灵活可调，适应不同需求。

📝 摘要（中文）

本文提出了一种在复杂环境中进行连续3D轨迹优化的新框架，该框架利用在线神经欧几里德符号距离场（ESDF）。与先前依赖于离散ESDF网格和插值的方法不同，我们的方法直接在连续神经ESDF上优化由五阶多项式表示的平滑轨迹，确保整个轨迹上精确的梯度信息。该框架集成了一个两阶段非线性优化流程，平衡了效率、安全性和平滑性。实验结果表明，C-3TO能够生成具有碰撞意识和动态可行的轨迹。此外，其在定义局部窗口大小和优化参数方面的灵活性使得能够直接适应不同的用户需求，而不会影响性能。通过将连续轨迹参数化与连续更新的神经ESDF相结合，C-3TO为航空机器人中安全高效的局部重规划奠定了稳健且通用的基础。

🔬 方法详解

问题定义：现有的轨迹优化方法通常依赖于离散的欧几里德符号距离场（ESDF）网格，并通过插值来估计连续空间中的距离和梯度。这种离散化和插值过程会导致精度损失，尤其是在复杂环境中，可能无法保证轨迹的安全性和光滑性。此外，调整网格分辨率以适应不同环境和任务需求也比较困难。

核心思路：C-3TO的核心思路是利用神经ESDF来表示环境，并直接在连续的神经ESDF上优化轨迹。神经ESDF能够以紧凑的方式表示复杂的环境几何信息，并提供连续的距离和梯度信息。通过直接优化连续轨迹，可以避免离散化和插值带来的误差，从而提高轨迹的安全性、平滑性和精度。

技术框架：C-3TO框架包含以下主要模块：1) 神经ESDF构建：使用传感器数据（如LiDAR或深度相机）在线构建神经ESDF。2) 轨迹参数化：使用五阶多项式来参数化轨迹，保证轨迹的平滑性。3) 两阶段非线性优化：第一阶段进行粗略的全局优化，快速找到一个可行的轨迹；第二阶段进行局部精细优化，进一步提高轨迹的安全性、平滑性和动态可行性。

关键创新：C-3TO的关键创新在于将连续轨迹优化与神经ESDF相结合。与传统的基于离散ESDF网格的方法相比，C-3TO能够直接在连续空间中进行优化，避免了离散化和插值带来的误差。此外，神经ESDF能够以紧凑的方式表示复杂的环境几何信息，并提供连续的距离和梯度信息，从而提高了轨迹优化的精度和效率。

关键设计：C-3TO的关键设计包括：1) 使用五阶多项式来参数化轨迹，保证轨迹的平滑性。2) 使用两阶段非线性优化流程，平衡了效率、安全性和平滑性。3) 定义了局部窗口大小和优化参数，使得能够直接适应不同的用户需求，而不会影响性能。损失函数包括碰撞损失、动态可行性损失和平滑性损失。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，C-3TO能够生成具有碰撞意识和动态可行性的轨迹。与基于离散ESDF网格的方法相比，C-3TO能够显著提高轨迹的安全性、平滑性和精度。此外，C-3TO的参数灵活可调，能够适应不同的用户需求，而不会影响性能。具体性能数据和对比基线在论文中有详细展示。

🎯 应用场景

C-3TO适用于各种需要在复杂环境中进行安全高效轨迹规划的应用，例如无人机自主导航、机器人操作、自动驾驶等。该方法能够提高机器人在复杂环境中的适应性和鲁棒性，降低碰撞风险，并提高任务完成效率。未来，C-3TO可以进一步扩展到多智能体协同、动态环境等更复杂的场景。

📄 摘要（原文）

This paper introduces a novel framework for continuous 3D trajectory optimization in cluttered environments, leveraging online neural Euclidean Signed Distance Fields (ESDFs). Unlike prior approaches that rely on discretized ESDF grids with interpolation, our method directly optimizes smooth trajectories represented by fifth-order polynomials over a continuous neural ESDF, ensuring precise gradient information throughout the entire trajectory. The framework integrates a two-stage nonlinear optimization pipeline that balances efficiency, safety and smoothness. Experimental results demonstrate that C-3TO produces collision-aware and dynamically feasible trajectories. Moreover, its flexibility in defining local window sizes and optimization parameters enables straightforward adaptation to diverse user's needs without compromising performance. By combining continuous trajectory parameterization with a continuously updated neural ESDF, C-3TO establishes a robust and generalizable foundation for safe and efficient local replanning in aerial robotics.