潜空间神经CBF替换分类器做机械臂运动规划

Chandrakiran Ravula、Siddhanth Ramesh 提出用潜空间中学习的神经控制屏障函数（CBF）替换潜空间路径规划（LSPP）中的二值碰撞分类器，以缓解障碍边界附近梯度饱和、优化停滞且无前向不变性保证的问题。屏障函数以安全与不安全符号约束加离散时间递减条件训练，递减条件在障碍盲标称规划器的状态转移上评估；规划时用闭式一阶修正把每个目标导向的潜步投影回CBF约束。 在7自由度Franka Panda机械臂上，CBF规划器在固定障碍任务成功率为75.6%，比35组调优分类器配置中的最佳结果高12.0个百分点，多位置任务为83.8%；衰减率α的最佳工作区间为α∈[0.10, 0.20]。作者称，在完全通用的随机障碍设置下成功率降至33.0%，原因是障碍盲训练转移与修正后规划器所访问状态之间存在协变量偏移。该工作为arXiv预印本，尚未经同行评议。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。