RSS 2025｜误差降低41%！ETH 开源「感知式动力学模型」，实现崎岖地形零样本导航

主要观点总结

本文介绍了一种面向复杂局部规划任务的感知式前向动力学模型（FDM）框架，该模型结合了仿真与真实数据，能够捕捉四足机器人的复杂系统动力学，并实现零样本自适应调整。文章详细描述了模型架构、动力学建模、规划方法、实验验证及未来工作展望。

关键观点总结

关键观点1: 模型架构

采用循环神经网络处理历史状态和本体信息，通过卷积层提取高度扫描特征，再融合后初始化前向预测GRU。模型接收动作序列编码，逐步预测未来状态的潜在表示，并由两条分支并行输出未来状态：一条预测速度校正量，另一条预测失败风险。

关键观点2: 动力学建模

使用部分可观测马尔可夫决策过程（POMDP）框架建模系统动力学，结合前向动力学模型从当前状态和动作推导出下一个状态。为了避免直接滚动推理，将单步模型扩展为n步预测模型，用于长时间范围内的状态预测。

关键观点3: 规划方法

利用感知式前向动力学模型预测各条动作序列的未来状态及其风险，并根据奖励函数评估这些序列。通过迭代选择获得最高奖励的动作序列，最终选择奖励值最大的序列执行。奖励函数由位置误差项和风险惩罚项组成，能够在不需要手动构建代价地图或其他可通行性指标的前提下，自动驱动机器人避开高风险区域并朝向目标。

关键观点4: 实验验证

在仿真和真实世界环境中评估了感知式前向动力学模型的有效性和感知能力。通过对比实验验证了模型在位置预测和碰撞估计方面的性能。在真实部署实验中，展示了模型的长距离路径规划能力，即使在存在传感器噪声、地形不一致和状态估计误差的情况下，依然能够合理理解环境可通行性，实现安全规划。

关键观点5: 未来工作展望

计划探索用于动作执行的自适应时间步，扩展适用环境范围。引入基于RGB的输入以获得更丰富的环境表征，将FDM集成到集成学习框架中，评估不确定性并将其作为额外的规划参数。

免责声明