Zero-Shot Reactive Obstacle Avoidance for Generative Robot Policies
作者: Weihang Guo, Lydia E. Kavraki
分类: cs.RO
发布日期: 2026-09-28
💡 一句话要点
提出NUDGE以解决机器人政策中的障碍物规避问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 障碍物规避 无训练方法 实时反应 机器人政策 可微几何
📋 核心要点
- 现有的机器人政策在动态环境中处理障碍物规避时，往往需要大量的训练数据，且反应速度较慢。
- NUDGE通过在推理时注入来自有符号距离场的梯度，实现了无训练的实时障碍物规避，适用于多种机器人政策。
- 实验结果显示，NUDGE能够有效保持政策的任务分布，并在实时反应能力上显著提升。
📝 摘要（中文）
我们提出了NUDGE（通过可微几何进行的推动更新），这是一种无训练的障碍物规避程序，可以与任何基于扩散或流匹配的机器人政策结合使用，包括扩散政策和视觉-语言-动作模型。我们的工作在推理时将来自有符号距离场的梯度注入到政策中，以引导其远离障碍物。该方法支持从绝对或相对关节姿态到末端执行器姿态的任何常见动作参数化，通过可微的关节轨迹解码器实现。实验表明，NUDGE保持了政策的任务分布，并能够实时反应。
🔬 方法详解
问题定义：本文旨在解决现有机器人政策在动态环境中进行障碍物规避时的训练需求和反应速度不足的问题。现有方法通常依赖于大量的训练数据，导致在实时应用中表现不佳。
核心思路：NUDGE的核心思路是通过在推理阶段将有符号距离场的梯度注入到机器人政策中，从而实现无训练的障碍物规避。这种设计使得政策能够在面对障碍物时，快速做出反应。
技术框架：NUDGE的整体架构包括一个可微的关节轨迹解码器和一个用于计算距离场的模块。该框架支持多种动作参数化方式，能够灵活适应不同的机器人任务。
关键创新：NUDGE的主要创新在于其无训练的特性和实时反应能力。与传统方法相比，NUDGE能够在不需要预先训练的情况下，快速适应环境变化，显著提高了障碍物规避的效率。
关键设计：在设计上，NUDGE使用了可微的关节轨迹解码器，以支持多种动作参数化。此外，损失函数的设计考虑了与障碍物的距离，以确保机器人在执行任务时能够有效避开障碍物。
🖼️ 关键图片
📊 实验亮点
实验结果表明，NUDGE在实时障碍物规避任务中表现优异，相较于基线方法，反应速度提升显著，且能够保持政策的任务分布，展示了其在实际应用中的有效性。
🎯 应用场景
该研究的潜在应用领域包括自主机器人、无人驾驶汽车和智能制造等。NUDGE能够在动态环境中实现高效的障碍物规避，提升机器人在复杂场景中的操作能力，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
We propose NUDGE (Nudge Update via Differentiable GEometry), a training-free obstacle-avoidance procedure that can be incorporated in any robot policy based on diffusion or flow matching, including diffusion policies and vision-language-action models. Our work injects gradients from a signed distance field, a function returning each point's distance to the nearest obstacle, into the policy at inference time to steer it away from obstacles. It supports any common action parameterization, from absolute or relative joint poses to end-effector poses, through a differentiable joint-trajectory decoder. Experiments show that NUDGE preserves the policy's task distribution and runs reactively in real time.