CMP-IRRT*: A Perception-Assisted Height-Adaptive Planner for Quadruped Robots

📄 arXiv: 2610.10470v1 📥 PDF

作者: Mingfan Zhao, Wendong Mao, Zhongfeng Wang

分类: cs.RO

发布日期: 2026-10-07

备注: Accepted at the 18th Asian Conference on Machine Learning (ACML 2026)

🔗 代码/项目: GITHUB

💡 一句话要点

提出CMP-IRRT*以解决四足机器人低障碍物规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 四足机器人 路径规划 感知辅助 高度自适应 CMP-IRRT* 碰撞检测 深度学习 自主导航

📋 核心要点

  1. 现有的二维规划方法在处理低障碍物时效率低下，无法有效利用环境感知信息。
  2. 本文提出了一种感知辅助的高度自适应规划框架CMP-IRRT*，通过高度条件的碰撞检测优化路径规划。
  3. 实验结果显示，CMP-IRRT*在节点探索和迭代次数上显著优于传统方法，并在特定场景中减少了路径长度。

📝 摘要（中文）

四足机器人能够跨越低障碍物，但许多二维规划方法仍将障碍物建模为二进制占用区域，并依赖基于采样的搜索，这在预算有限的情况下效率较低。本文提出了一种基于CMP-IRRT的感知辅助高度自适应规划框架。该框架利用校准的顶视RGB观测，感知模块估计障碍区域并将深度预测转换为相对地面的高度图。规划器执行高度条件的碰撞检测，将高障碍物视为阻塞，同时允许低障碍物被穿越，并使用CMP引导偏向有前景的区域。实验表明，CMP-IRRT在节点探索和迭代次数上优于经典和神经引导基线，并在可穿越性场景中将路径长度减少了最多16.3%。

🔬 方法详解

问题定义：本文旨在解决四足机器人在低障碍物环境中的路径规划问题。现有方法通常将障碍物视为二进制占用区域，导致在预算有限的情况下效率低下。

核心思路：提出的CMP-IRRT*框架结合了感知模块和高度自适应规划，能够根据环境信息动态调整路径规划策略，从而提高效率和灵活性。

技术框架：整体架构包括感知模块和规划模块。感知模块负责从顶视RGB图像中估计障碍物区域，并生成相对高度图；规划模块则基于CMP引导进行高度条件的碰撞检测和路径规划。

关键创新：最重要的创新点在于引入了感知辅助的高度自适应机制，使得规划器能够有效区分高低障碍物，从而优化路径选择。这一设计与传统方法的本质区别在于对环境信息的动态利用。

关键设计：在技术细节上，感知模块采用了深度学习方法进行障碍物检测，规划模块则使用CMP引导来优化采样过程，确保在复杂环境中能够快速找到有效路径。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CMP-IRRT*在节点探索和迭代次数上显著减少，相较于传统和神经引导基线，路径长度在可穿越性场景中最多减少了16.3%。这些结果展示了该方法在实际应用中的有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括自主导航、搜索与救援、以及服务机器人等。通过提高四足机器人在复杂环境中的路径规划能力，能够显著提升其在实际任务中的执行效率和灵活性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Quadruped robots can traverse low obstacles, but many 2D planning pipelines still model obstacles as binary occupied regions and rely on sampling-based search that can be inefficient under a limited budget. We propose a perception-assisted height-adaptive planning framework based on CMP-IRRT, a Channel Mamba PointNet-guided Informed RRT planner. Given a calibrated top-view RGB observation, the perception module estimates obstacle regions and converts depth predictions into a ground-relative height map. The planner then performs height-conditioned collision checking, treating high obstacles as blocked while allowing low obstacles to be traversed, and uses the CMP guide to bias sampling toward promising regions while retaining standard free-space and informed sampling fallbacks. Experiments on 2D planning benchmarks show that CMP-IRRT* reduces explored nodes and iterations compared with classical and neural-guided baselines, and a controlled ablation supports the contribution of the Mamba-based guide. In constructed traversability-aware scenarios, the proposed planner reduces path length by up to 16.3% when low obstacles are traversable, and a Unitree Go2 demonstration further shows executable bypassing and traversal behaviors. Our code is publicly available at https://github.com/MingfanZhao/height-adaptive-planner.