GNN-DIP: Neural Corridor Selection for Decomposition-Based Motion Planning

📄 arXiv: 2603.12361v1 📥 PDF

作者: Peng Xie, Yanlinag Huang, Wenyuan Wu, Amr Alanwar

分类: cs.RO

发布日期: 2026-03-12

💡 一句话要点

GNN-DIP：基于图神经网络的分解运动规划走廊选择方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 运动规划 图神经网络 分解规划 走廊选择 机器人导航

📋 核心要点

  1. 基于采样的运动规划器难以在狭窄通道内采样，即使采样成功，直线连接也容易因碰撞检测而被拒绝。
  2. GNN-DIP通过GNN预测门户分数，引导走廊搜索，同时利用分解规划器保证路径的无碰撞性和完整性。
  3. 实验表明，GNN-DIP在多种复杂环境中显著提高了运动规划的成功率和速度，优于传统采样方法。

📝 摘要（中文）

本文提出了一种名为GNN-DIP的框架，用于解决运动规划中狭窄通道的难题。该框架将图神经网络（GNN）与两阶段分解信息规划器（DIP）相结合。GNN预测单元邻接图上的门户分数，从而在保持完整性的同时，将走廊搜索偏向于接近最优的区域。在2D环境中，采用约束Delaunay三角剖分（CDT）和漏斗算法来获得走廊内的精确最短路径；在3D环境中，采用Slab凸分解和门户面采样来提供接近最优的路径评估。在2D狭窄通道场景、具有多达246个障碍物的3D瓶颈环境以及动态2D环境中的基准测试表明，GNN-DIP实现了99-100%的成功率，并且比基于采样的基线方法快2-280倍。

🔬 方法详解

问题定义：运动规划在狭窄通道中面临挑战，传统的基于采样的规划器难以有效探索这些区域，导致规划失败或效率低下。分解规划器虽然能精确捕捉通道边界，但候选走廊的数量随环境复杂度呈组合爆炸式增长，成为瓶颈。

核心思路：利用图神经网络（GNN）学习环境特征，预测单元格之间的“门户”的重要性，即哪些连接更有可能位于最优路径上。通过GNN的预测结果，引导走廊搜索过程，优先探索更有希望的区域，从而降低搜索空间，提高规划效率。

技术框架：GNN-DIP包含两个主要阶段：首先，使用分解方法（如2D中的约束Delaunay三角剖分或3D中的Slab凸分解）将自由空间划分为凸单元格。然后，构建单元格邻接图，并使用GNN预测每个单元格连接（门户）的分数。最后，使用DIP（Decomposition-Informed Planner）根据GNN预测的分数搜索最优走廊，并在走廊内规划路径。2D使用漏斗算法，3D使用门户面采样。

关键创新：将GNN引入分解运动规划的走廊选择过程，利用GNN的学习能力，从数据中学习环境特征与最优路径之间的关系，从而实现更智能的走廊搜索。与传统的启发式方法或均匀搜索相比，GNN能够更有效地识别关键通道，显著提高规划效率。

关键设计：GNN的输入是单元格邻接图，节点特征包括单元格的几何信息（如中心点、大小）和环境信息（如障碍物密度）。GNN的输出是每个单元格连接（门户）的分数，表示该连接位于最优路径上的概率。损失函数可以使用监督学习方法，例如，使用A*算法或其他最优规划器生成的路径作为ground truth，训练GNN预测与最优路径一致的门户分数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GNN-DIP在2D和3D复杂环境中均取得了显著的性能提升。在狭窄通道场景中，GNN-DIP实现了99-100%的成功率，并且比基于采样的基线方法（如RRT、PRM）快2-280倍。这表明GNN-DIP能够有效地解决狭窄通道中的运动规划问题。

🎯 应用场景

GNN-DIP可应用于各种需要高效运动规划的场景，如机器人导航、自动驾驶、游戏AI、虚拟现实等。尤其是在复杂、拥挤或具有狭窄通道的环境中，该方法能够显著提高规划效率和成功率，使机器人或智能体能够更快、更可靠地找到可行路径。

📄 摘要（原文）

Motion planning through narrow passages remains a core challenge: sampling-based planners rarely place samples inside these narrow but critical regions, and even when samples land inside a passage, the straight-line connections between them run close to obstacle boundaries and are frequently rejected by collision checking. Decomposition-based planners resolve both issues by partitioning free space into convex cells -- every passage is captured exactly as a cell boundary, and any path within a cell is collision-free by construction. However, the number of candidate corridors through the cell graph grows combinatorially with environment complexity, creating a bottleneck in corridor selection. We present GNN-DIP, a framework that addresses this by integrating a Graph Neural Network (GNN) with a two-phase Decomposition-Informed Planner (DIP). The GNN predicts portal scores on the cell adjacency graph to bias corridor search toward near-optimal regions while preserving completeness. In 2D, Constrained Delaunay Triangulation (CDT) with the Funnel algorithm yields exact shortest paths within corridors; in 3D, Slab convex decomposition with portal-face sampling provides near-optimal path evaluation. Benchmarks on 2D narrow-passage scenarios, 3D bottleneck environments with up to 246 obstacles, and dynamic 2D settings show that GNN-DIP achieves 99--100% success rates with 2--280 times speedup over sampling-based baselines.