Fast and Safe Trajectory Optimization for Mobile Manipulators With Neural Configuration Space Distance Field
作者: Yulin Li, Zhiyuan Song, Yiming Li, Zhicheng Song, Kai Chen, Chunxin Zheng, Zhihai Bi, Jiahang Cao, Sylvain Calinon, Fan Shi, Jun Ma
分类: cs.RO
发布日期: 2026-01-26
💡 一句话要点
提出基于神经配置空间距离场的移动机械臂快速安全轨迹优化方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 移动机械臂 轨迹优化 配置空间距离场 碰撞检测 序列凸优化
📋 核心要点
- 移动机械臂的全身轨迹优化面临高维度、非凸性和快速碰撞检测的挑战。
- 论文提出广义配置空间距离场(GCDF)，将配置空间距离场扩展到移动机械臂，实现高效碰撞建模。
- 实验表明，基于GCDF的序列凸优化框架能够实现快速、安全的轨迹优化，并支持快速重规划。
📝 摘要（中文）
移动机械臂通过协调底座和手臂的运动，能够实现灵活的长时程行为。然而，在高维度非凸空间中，以及在需要快速、精确碰撞推理的复杂、受限环境中，进行全身轨迹优化仍然十分困难。配置空间距离场(CDF)使固定底座机械臂能够通过平滑的隐式距离直接在配置空间中建模碰撞。这种表示方法具有绕过非线性配置到工作空间映射的巨大潜力，同时保留精确的全身几何信息，并提供优化友好的碰撞代价。然而，由于无界的工作空间和更紧密的底座-手臂耦合，将这种能力扩展到移动机械臂受到阻碍。本文提出了广义配置空间距离场(GCDF)，将CDF扩展到具有平移和旋转关节的机器人，使其能够在具有更紧密底座-手臂耦合的无界工作空间中运行。证明了GCDF保留了类欧几里得局部距离结构，并准确地编码了配置空间中的全身几何信息，并开发了一个数据生成和训练流程，该流程产生具有精确值和梯度的连续神经GCDF，支持高效的GPU批处理查询。在此表示的基础上，开发了一个以GCDF为中心的基于碰撞推理的高性能序列凸优化框架。该求解器通过(i)神经约束的在线规范，(ii)具有跨数千个约束的并行批处理评估的稀疏感知主动集检测，以及(iii)用于在场景变化下快速重新规划的增量约束管理，来扩展到大量隐式约束。
🔬 方法详解
问题定义：移动机械臂的轨迹优化需要在高维配置空间中进行，同时需要考虑复杂的环境约束和机器人自身的运动学约束。现有的方法通常依赖于将配置空间映射到工作空间进行碰撞检测，计算量大，难以满足实时性要求。此外，移动机械臂的底座和手臂耦合更紧密，使得碰撞检测更加复杂。
核心思路：论文的核心思路是利用广义配置空间距离场(GCDF)直接在配置空间中建模碰撞。GCDF能够提供优化友好的碰撞代价，避免了复杂的配置空间到工作空间的映射，从而提高轨迹优化的效率。通过神经网络学习GCDF，可以实现快速的距离查询和梯度计算。
技术框架：整体框架包括三个主要部分：1) GCDF的数据生成和训练：通过采样机器人的配置空间，计算机器人与环境之间的距离，并使用神经网络学习GCDF。2) 基于GCDF的序列凸优化：利用GCDF提供的距离信息，将非凸的轨迹优化问题转化为一系列凸优化子问题，并通过序列求解这些子问题来获得最终的轨迹。3) 约束管理：采用在线约束规范、稀疏感知主动集检测和增量约束管理等技术，提高求解器的效率和鲁棒性。
关键创新：论文的关键创新在于提出了广义配置空间距离场(GCDF)，并将其应用于移动机械臂的轨迹优化。GCDF能够准确地编码全身几何信息，并提供优化友好的碰撞代价，从而显著提高了轨迹优化的效率和安全性。与现有方法相比，GCDF避免了复杂的配置空间到工作空间的映射，简化了碰撞检测的过程。
关键设计：GCDF使用神经网络进行表示，网络的输入是机器人的配置，输出是机器人与环境之间的距离。论文设计了一个数据生成流程，用于生成训练GCDF的数据。在序列凸优化中，论文采用了一种基于主动集检测的策略，用于快速选择需要考虑的约束。此外，论文还采用了一种增量约束管理策略，用于在环境发生变化时快速更新轨迹。
🖼️ 关键图片
📊 实验亮点
论文提出的方法在仿真实验中取得了显著的性能提升。与传统的基于工作空间的轨迹优化方法相比，该方法能够将轨迹优化时间缩短数倍，同时保证轨迹的安全性。实验结果表明，该方法能够有效地处理复杂的环境约束和机器人自身的运动学约束，并支持快速重规划。
🎯 应用场景
该研究成果可应用于各种需要移动机械臂进行操作的场景，例如：仓库物流、家庭服务、医疗康复、灾难救援等。通过快速、安全地规划移动机械臂的轨迹，可以提高机器人的工作效率和安全性，使其能够更好地适应复杂、动态的环境。
📄 摘要（原文）
Mobile manipulators promise agile, long-horizon behavior by coordinating base and arm motion, yet whole-body trajectory optimization in cluttered, confined spaces remains difficult due to high-dimensional nonconvexity and the need for fast, accurate collision reasoning. Configuration Space Distance Fields (CDF) enable fixed-base manipulators to model collisions directly in configuration space via smooth, implicit distances. This representation holds strong potential to bypass the nonlinear configuration-to-workspace mapping while preserving accurate whole-body geometry and providing optimization-friendly collision costs. Yet, extending this capability to mobile manipulators is hindered by unbounded workspaces and tighter base-arm coupling. We lift this promise to mobile manipulation with Generalized Configuration Space Distance Fields (GCDF), extending CDF to robots with both translational and rotational joints in unbounded workspaces with tighter base-arm coupling. We prove that GCDF preserves Euclidean-like local distance structure and accurately encodes whole-body geometry in configuration space, and develop a data generation and training pipeline that yields continuous neural GCDFs with accurate values and gradients, supporting efficient GPU-batched queries. Building on this representation, we develop a high-performance sequential convex optimization framework centered on GCDF-based collision reasoning. The solver scales to large numbers of implicit constraints through (i) online specification of neural constraints, (ii) sparsity-aware active-set detection with parallel batched evaluation across thousands of constraints, and (iii) incremental constraint management for rapid replanning under scene changes.