CSSDF-Net: Safe Motion Planning Based on Neural Implicit Representations of Configuration Space Distance Field
作者: Haohua Chen, Yixuan Zhou, Yifan Zhou, Hesheng Wang
分类: cs.RO
发布日期: 2026-03-19
💡 一句话要点
提出CSSDF-Net，通过构型空间距离场的神经隐式表示实现安全运动规划。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics) 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 运动规划 碰撞避免 神经隐式表示 符号距离场 构型空间
📋 核心要点
- 现有几何碰撞检测器通常不可微，而基于工作空间的隐式距离模型受限于高度非线性的工作空间-构型映射，且收敛性差。
- CSSDF-Net直接在构型空间学习连续符号距离场，提供关节空间距离和梯度查询，实现统一几何安全概念下的安全运动规划。
- 该方法通过空间哈希的数据生成流程编码机器人中心几何先验，支持零样本泛化到新环境，并在静态和动态场景中表现出有效的避障能力。
📝 摘要（中文）
本文提出构型空间符号距离场网络(CSSDF-Net)，该网络直接在构型空间中学习连续的符号距离场，以在统一的几何安全概念下提供关节空间距离和梯度查询，从而在高维机械臂在非结构化环境中操作时，指导安全运动生成。为了实现无需环境特定重新训练的零样本泛化，引入了一种基于空间哈希的数据生成流程，该流程编码了以机器人为中心的几何先验，并支持高效检索任意障碍物点集的风险构型。学习到的距离场被集成到安全约束轨迹优化和后退水平线MPC中，从而实现离线规划和在线反应式避障。在平面臂和7自由度机械臂上的实验表明，该方法具有稳定的梯度、在静态和动态场景中有效的避障能力，以及用于大规模点云查询的实用推理延迟，支持在以前未见过的环境中部署。
🔬 方法详解
问题定义：现有方法在高维机械臂运动规划中，面临着几何碰撞检测器不可微，以及基于工作空间的隐式距离模型在处理工作空间到构型空间的非线性映射时收敛性差的问题。此外，现有方法通常将自碰撞和环境碰撞作为单独的约束处理，缺乏统一的几何安全概念。
核心思路：CSSDF-Net的核心思路是直接在构型空间中学习一个连续的符号距离场。通过学习构型空间中的距离场，可以避免工作空间到构型空间的复杂映射，从而提高模型的收敛性和泛化能力。同时，符号距离场能够提供距离和梯度信息，用于指导安全运动规划。
技术框架：CSSDF-Net的整体框架包括数据生成、网络训练和运动规划三个主要阶段。首先，通过基于空间哈希的数据生成流程，生成包含机器人中心几何先验的训练数据。然后，使用这些数据训练CSSDF-Net，使其能够预测构型空间中的符号距离场。最后，将学习到的距离场集成到安全约束轨迹优化和后退水平线MPC中，实现离线规划和在线反应式避障。
关键创新：CSSDF-Net的关键创新在于直接在构型空间中学习符号距离场，并使用空间哈希的数据生成流程来提高模型的泛化能力。与现有方法相比，CSSDF-Net能够提供更准确、更稳定的距离和梯度信息，从而实现更安全、更高效的运动规划。此外，统一的几何安全概念简化了碰撞检测过程。
关键设计：CSSDF-Net使用MLP网络结构来学习符号距离场。损失函数包括距离损失和梯度损失，用于约束网络的输出。空间哈希的数据生成流程通过随机采样机器人构型和障碍物位置，生成包含各种碰撞情况的训练数据。后退水平线MPC使用学习到的距离场作为约束条件，优化机器人的运动轨迹。
🖼️ 关键图片
📊 实验亮点
实验结果表明，CSSDF-Net在平面臂和7自由度机械臂上均能实现有效的避障。该方法具有稳定的梯度，能够支持安全约束轨迹优化和后退水平线MPC。此外，CSSDF-Net具有实用的推理延迟，能够处理大规模点云查询，支持在以前未见过的环境中部署。与现有方法相比，CSSDF-Net在避障性能和泛化能力方面均有显著提升。
🎯 应用场景
CSSDF-Net可应用于各种需要安全运动规划的机器人应用场景，例如：工业机械臂在复杂环境中的自动化操作、服务机器人在拥挤环境中的导航、以及无人机在未知环境中的飞行。该研究的实际价值在于提高机器人的安全性和自主性，降低人工干预的需求，从而提高生产效率和服务质量。未来，该方法可以扩展到更复杂的机器人系统和环境，例如多机器人协作和动态环境。
📄 摘要（原文）
High-dimensional manipulator operation in unstructured environments requires a differentiable, scene-agnostic distance query mechanism to guide safe motion generation. Existing geometric collision checkers are typically non-differentiable, while workspace-based implicit distance models are hindered by the highly nonlinear workspace--configuration mapping and often suffer from poor convergence; moreover, self-collision and environment collision are commonly handled as separate constraints. We propose Configuration-Space Signed Distance Field-Net (CSSDF-Net), which learns a continuous signed distance field directly in configuration space to provide joint-space distance and gradient queries under a unified geometric notion of safety. To enable zero-shot generalization without environment-specific retraining, we introduce a spatial-hashing-based data generation pipeline that encodes robot-centric geometric priors and supports efficient retrieval of risk configurations for arbitrary obstacle point sets. The learned distance field is integrated into safety-constrained trajectory optimization and receding-horizon MPC, enabling both offline planning and online reactive avoidance. Experiments on a planar arm and a 7-DoF manipulator demonstrate stable gradients, effective collision avoidance in static and dynamic scenes, and practical inference latency for large-scale point-cloud queries, supporting deployment in previously unseen environments.