Shape-Aware Neural Time Fields for Rigid-Body Motion and Manipulation Planning
作者: Yanming Zhou, Yuchen Liu, Ahmed H. Qureshi
分类: cs.RO, cs.LG
发布日期: 2026-10-16
💡 一句话要点
提出形状感知神经时间场以解决刚体运动规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 刚体运动规划 形状感知 神经网络 物理信息 运动难度 采样策略 机器人操作
📋 核心要点
- 现有的刚体运动规划方法在处理复杂环境时，平移和旋转的约束差异使得规划变得困难，导致成功率低下。
- 本文提出的形状感知神经时间场框架，通过学习可重用的旅行时间表示，明确考虑几何约束，提升了运动规划的效率和成功率。
- 实验结果表明，该方法在2D和3D刚体规划任务中，规划成功率和推理效率显著提高，且在较低时间成本下与传统方法竞争。
📝 摘要（中文）
刚体运动规划是机器人运输和操作的基础，其中物体的位置和方向决定了其在复杂环境中的移动能力。由于平移和旋转受到周围几何体的不同约束，规划变得具有挑战性。本文提出了一种形状感知神经时间场的物理信息神经运动规划框架，学习了一种可重用的旅行时间表示，明确考虑了这些几何限制。所学习的场捕捉了平移和旋转的局部运动难度，并与基于采样的规划器相结合，平衡了朝目标的进展与到达附近姿态的成本。通过在2D和3D刚体规划任务及非抓取操作中的物体推动实验评估，结果显示在规划成功率和推理效率上显著优于物理信息神经规划基线，同时在显著较低的规划时间下与经典基于采样的规划器竞争。消融研究进一步验证了学习表示和规划策略的贡献。
🔬 方法详解
问题定义：本文旨在解决刚体运动规划中的平移和旋转约束差异问题。现有方法在复杂环境中难以有效规划，导致成功率低和时间成本高。
核心思路：提出形状感知神经时间场，通过学习旅行时间表示，明确考虑几何约束，捕捉局部运动难度，从而优化运动规划过程。
技术框架：整体框架包括学习阶段和规划阶段。学习阶段通过神经网络获取旅行时间表示，规划阶段结合基于采样的策略，平衡目标进展与成本。
关键创新：最重要的创新在于引入形状感知的神经时间场，能够有效捕捉平移和旋转的运动难度，与传统方法相比，提供了更为精确的运动规划能力。
关键设计：在网络结构上，采用了多层感知器以学习旅行时间表示，损失函数设计为结合运动难度和目标距离的复合损失，确保模型在训练过程中能够有效学习到几何约束。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的方法在2D和3D刚体规划任务中，相较于物理信息神经规划基线，规划成功率和推理效率显著提高，且在规划时间上表现出明显优势，消融研究进一步验证了学习表示和规划策略的有效性。
🎯 应用场景
该研究具有广泛的应用潜力，尤其是在机器人运输、自动化操作和智能制造等领域。通过提高刚体运动规划的效率和成功率，可以显著提升机器人在复杂环境中的操作能力，推动智能机器人技术的实际应用和发展。
📄 摘要（原文）
Rigid-body motion planning is fundamental to robotic transport and manipulation, where both object position and orientation determine whether a body can move through cluttered environments. This coupling makes planning chal- lenging because translation and rotation can be constrained very differently by surrounding geometry. We propose Shape- Aware Neural Time Fields, a physics-informed neural motion planning framework that learns a reusable travel-time, or cost- to-go, representation for rigid-body motion while explicitly accounting for these distinct geometric restrictions. The learned field captures local motion difficulty in translation and rotation and is paired with a sampling-based planner that balances progress toward the goal with the cost of reaching nearby poses. We evaluate the framework across 2D and 3D rigid- body planning tasks and non-prehensile manipulation through object pushing in diverse environments. Results show substantial improvements in planning success and inference efficiency over physics-informed neural planning baselines, while remaining competitive with classical sampling-based planners at significantly lower planning times. Ablation studies further validate the contributions of both the learned representation and the proposed planning strategy. Finally, closed-loop pushing experiments under execution deviations and external disturbances demonstrate that fast replanning enables reactive and adaptive task execution.