Configuration Space Distance Fields for Manipulation Planning

签名距离场是机器人学中流行的隐式形状表示，以一种可以轻松与控制、优化和学习技术相结合的形式提供有关对象和障碍物的几何信息。通常，SDF用于表示任务空间中的距离，这对应于我们在3D世界中感知到的距离概念。然而，SDF在数学上可以用于其他空间，包括机器人配置空间。对于机器人操作器，这个配置空间通常对应于机器人每个关节的关节角度。虽然在机器人规划中习惯于表达哪些配置空间部分不与障碍物相撞，但很少将这些信息视为配置空间中的距离场。在本文中，我们展示了在机器人配置空间中考虑SDF的优化潜力，我们称之为配置空间距离场(CDF)。类似于在任务空间中使用SDF，CDF提供了一个有效的关节角度距离查询和直接访问导数。大多数方法将整体计算分为任务空间和配置空间两个部分。相反，CDF允许控制、优化和学习问题以统一的方式利用隐式结构。特别地，我们提出了一种计算和融合CDF的有效算法，可以推广到任意场景。还提出了相应的神经CDF表示，使用多层感知器获得紧凑和连续的表示，同时提高计算效率。我们通过平面障碍物避免示例和使用7轴Franka机器人在逆运动学和操作规划任务中展示了CDF的有效性。

本文旨在探讨在机器人配置空间中使用符号距离场（SDF）的潜力，以进行优化。这是否是一个新问题？

本文提出了配置空间距离场（CDF）的概念，该概念可以在机器人的关节角度空间中表示距离，并且可以与控制、优化和学习技术相结合。CDF提供了一种有效的关节角度距离查询和直接访问导数的方法，可以在控制、优化和学习问题中以统一的方式利用隐式结构。

本文提出了一种有效的算法来计算和融合CDF，可以推广到任意场景。还提出了相应的神经CDF表示，使用多层感知器可以获得紧凑且连续的表示，同时提高计算效率。实验包括计划避障示例和使用7轴Franka机器人进行逆运动学和操作规划任务的实验。

最近的相关研究包括《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》和《Learning Signed Distance Functions for Object Manipulation》等。