SIMPNet: Spatial-Informed Motion Planning Network

当前的机器人操作器需要快速高效的运动规划算法才能在杂乱的环境中操作。目前最先进的基于采样的运动规划器在高维配置空间中很难扩展，并且在复杂环境中效率低下。这种低效性是因为这些规划器在配置空间中使用均匀或手工制作的采样启发式方法。为了解决这些挑战，我们提出了一种空间感知运动规划网络（SIMPNet）。SIMPNet由基于随机图神经网络（GNN）的采样启发式方法组成，用于在配置空间内进行有信息的采样。SIMPNet的采样启发式方法通过交叉注意机制将工作空间嵌入到配置空间中进行编码。它将机械臂的运动结构编码成一个图形，用于在基于采样的运动规划算法框架内生成有信息的样本。我们使用UR5e机器人操作器在简单和复杂的工作空间内评估了SIMPNet的性能，并将其与基线最先进的运动规划器进行了比较。评估结果显示，与基线规划器相比，所提出的规划器具有更高的效率和优势。

解决问题：论文试图解决机器人操作在复杂环境下的快速和高效运动规划问题。

关键思路：论文提出了一种基于空间信息的运动规划神经网络（SIMPNet），通过跨注意力机制将工作区嵌入到配置空间中，生成高效的采样点，提高采样运动规划算法的效率。

其他亮点：论文使用UR5e机器人手臂在简单和复杂工作区内进行了实验，并与基准运动规划器进行了比较。实验结果表明，SIMPNet在复杂环境下的表现优于基准规划器。论文提供了开源代码，并且该方法可以扩展到其他机器人系统中。

相关研究：最近的相关研究包括“基于深度学习的运动规划”、“基于采样的运动规划算法”等。