Implicit Swept Volume SDF: Enabling Continuous Collision-Free Trajectory Generation for Arbitrary Shapes

在物体轨迹生成领域，确保连续无碰撞运动仍然是一个巨大的挑战，尤其是对于非凸几何形状和复杂环境。以往的方法要么过于简化物体形状，导致可行空间的牺牲，要么依赖于离散采样，容易出现“隧道效应”。为了解决这些限制，我们提出了一种新颖的分层轨迹生成流程，利用扫描体有符号距离场（SVSDF）来引导连续碰撞避免（CCA）的轨迹优化。我们的跨学科方法，融合了图形学和机器人学的技术，展现出了卓越的解决问题的效果。我们将SVSDF的计算制定为广义半无限规划模型，并在查询点隐式地求解数值解，从而消除了对表面的显式重构的需求。我们的算法已在各种复杂场景中得到验证，并适用于各种动力学的机器人，包括刚性和可变形形状。与典型算法相比，它展现出了卓越的通用性和优越的CCA性能。代码将在https://github.com/ZJU-FAST-Lab/Implicit-SVSDF-Planner上发布，造福社区。

解决问题：论文旨在解决非凸物体在复杂环境下连续避免碰撞的问题，提出了一种新的层次轨迹生成管道。

关键思路：论文提出使用Swept Volume Signed Distance Field（SVSDF）来指导连续避碰轨迹的优化，通过将SVSDF的计算形式化为广义半无限规划模型，并隐式求解查询点的数值解，消除了表面显式重构的需求。

其他亮点：论文的算法在各种复杂场景中得到了验证，适用于各种动力学机器人，包括刚性和可变形的形状。代码将在https://github.com/ZJU-FAST-Lab/Implicit-SVSDF-Planner上发布。该算法表现出卓越的普适性和优越的CCA性能。

相关研究：最近的相关研究包括《A survey of motion planning and control techniques for self-driving urban vehicles》、《Real-time trajectory planning for autonomous urban driving: Framework, algorithms, and verifications》等。