技术摘要：机器人学中基于黎曼流形的距离场与测地流研究

问题陈述

在机器人领域，表示空间关系和规划运动通常需要测量非欧几里得空间中的距离，例如机器人操作臂的构型空间。虽然有符号距离场（SDF）是欧几里得空间中表示几何形状并实现高效查询的标准方法，但它们无法捕捉定义机器人任务的内在几何特性（如惯性、刚度、可操作性）。

现有的计算测地线（最短路径）的方法通常依赖于：

1. 局部优化： 为特定的起点-终点对求解边界值问题或射击法（shooting methods）。这类方法计算成本高，需要良好的初始猜测，且缺乏对流形的全局表示。
2. 基于网格的 PDE 求解器： 如快速行进法（FMM）等方法在离散网格上求解程函方程（eikonal equation）。虽然它们能提供全局解，但受限于“维度灾难”，对于高自由度（DoF）机器人而言，内存和分辨率限制使其难以实现。

核心挑战在于如何获得一个全局、连续且可微的距离场，该距离场存在于高维黎曼流形上，能够编码测地流（geodesic flows），从而实现无需受限于网格方法的扩展性限制，且能避免射击法带来的局部极小值问题。

方法论

本文提出了一个求解黎曼程函方程（Riemannian eikonal equation）的框架，这是一个定义了流形上距离场及其相关梯度流的一阶偏微分方程（PDE）。

1. 数学公式化

作者将各向同性程函方程推广到黎曼流形。对于具有黎曼度量张量 $G(x)$ 的流形 $\mathcal{M}$，源点 $x_1$ 的距离场 $U(x)$ 满足：
$$\|\nabla U(x)\|_{G^{-1}(x)} = 1, \quad \text{满足 } U(x_1) = 0$$
其中 $\|\cdot\|_{G^{-1}}$ 是由逆度量张量诱导的范数。测地流 $V(x)$（允许路径回溯）定义为 $V(x) = G^{-1}(x)\nabla U(x)$。

论文利用了与机器人学相关的各种黎曼度量：

• 动能度量（Kinetic-Energy Metric）： $G(q) = M(q)$，其中 $M(q)$ 是惯性矩阵。此处的测地线最小化动能。
• 雅可比度量（Jacobi Metric）： $G(q) = 2(H - P(q))M(q)$，结合了势能 $P(q)$ 和总能量 $H$，用于实现能量守恒运动。
• 拉回度量（Pullback Metric）： 从任务空间度量（如刚度或可操作性）诱导至构型空间。
• 障碍物感知度量（Obstacle-Aware Metrics）： 各向异性度量，惩罚向障碍物方向的运动，同时允许切向运动。

2. 神经黎曼程函求解器 (NES)

为了克服网格限制，作者引入了基于物理信息神经网络（PINNs）的无网格求解器 NES。

• 架构： 多层感知器（MLP）接收源点-目标点对 $(q_s, q_e)$ 作为输入，并输出预测的测地距离 $U_\theta(q_s, q_e)$。
• 训练目标： 该网络无需带标签的距离数据进行训练。相反，它通过最小化源自黎曼程函 PDE 残差的损失函数进行训练：
  $$\mathcal{L}_{eik} = (\|\nabla_{q_e} U_\theta(q_s, q_e)\|_{G^{-1}(q_e)} - 1)^2$$
  为了确保平滑性并减少梯度振荡，添加了一个基于 Laplace-Beltrami 算子的正则化项。
• 对称性与非负性： 网络输出经过对称化处理（$U(q_s, q_e) = U(q_e, q_s)$），并与一个欧几里得项进行分解，以确保非负性并避免在源点附近出现奇异性。

3. 条件变体 (C-NES)

作者提出了两种灵活的变体：

• 边界条件约束型： 网络以任务空间源点 $x_s$ 而非关节空间源点进行约束。边界条件通过正向运动学 $f(q) = x_s$ 隐式定义，使得求解器能够处理逆运动学（IK），并找到测地距离最近的 IK 解，而无需显式枚举。
• 度量约束型： 网络接受参数 $\omega$（例如总能量 $H$）作为输入，该参数调节黎曼度量 $G(q; \omega)$。这使得单个网络能够表示不同动力学机制下的距离场族。

4. 控制集成

学习到的距离场提供了一个全局策略。为了实时追踪测地流，作者将学习到的梯度方向与局部线性吸引项相结合。该期望速度被输入到标准控制器中：

• 二次规划 (QP)： 运动学（速度）或动力学（转矩）QP 在遵守关节限制和动力学约束的同时，追踪期望速度。
• 任务优先级： 测地流被投影到高优先级约束（如避障或末端执行器姿态）的零空间中，从而在优化能量效率的同时，确保严格满足约束。

核心贡献

1. 黎曼程函公式化： 将测地线计算重新定义为流形的单一全局隐式表示，实现了快速回溯并能直接与规划/控制集成，这与迭代射击法或最优控制法截然不同。
2. 神经黎曼程函求解器 (NES)： 一种无网格、可微的求解器，通过 PINNs 学习 PDE 解，从而扩展到高维构型空间（如 7 自由度机械臂），且不需要带标签的距离数据。
3. 条件变体： 引入了 C-NES 变体，通过对边界数据进行约束（隐式处理 IK）以及对空间变化的度量进行约束（处理动力学能量机制），展示了神经参数化的灵活性。
4. 实验验证： 在 2 自由度平面和 7 自由度 Franka 机械臂上的广泛实验表明，NES 生成的测地线与能量效率最高的轨迹一致，并在高维设置下优于基准方法。

结果

作者在 2 自由度平面和 7 自由度 Franka 机械臂上将 NES 与包括测地射线追踪 (GRT)、监督学习 (SL)、测地射击法 (GS)、最优控制 (OC) 和黎曼快速行进法 (RFM) 在内的基准方法进行了对比评估。

• 能量效率： 在能量感知流形（雅可比度量）上，与 GS 和 OC 相比，NES 生成的路径始终实现了更低的有效转矩和总控制量。在 7 自由度实验中，NES 在所有方法中生成了最短的测地线和最低的有效转矩。
• 扩展性与速度：
  • 离线阶段： 2 自由度训练约需 5 分钟，7 自由度约需 4 小时。
  • 在线阶段： 推理极其迅速（毫秒级），支持实时控制。与必须为每个新源点重新计算的 RFM 不同，NES 可以瞬时泛化到任意起点-终点对。
  • 鲁棒性： NES 避免了最优控制和测地射击法中常见的局部极小值陷阱，尤其是在长程任务中。
• 任务空间集成： C-NES 成功地将任务空间目标映射到关节空间配置，隐式解决了 IK 问题，并在冗余配置中选择了能量最优的解。
• 约束处理： 当集成到任务优先级控制中时，NES 在严格满足避障或末端执行器姿态等约束的同时，保持了能量效率。

意义与主张

本文声称，通过神经网络求解黎曼程函方程提供了一种原则性的、可扩展且灵活的几何先验，适用于机器人技术。

• 全局 vs. 局部： 不同于需要为每次查询重新求解的局部优化方法，NES 提供了一个捕获流形结构的全局距离场，从而实现快速且一致的查询。
• 物理信息学习： 通过在 PDE 残差而非标签数据上进行训练，该方法避免了生成地面真值测地线的计算开销，并确保解符合底层的几何定律。
• 动力学感知规划： 该方法自然地将系统动力学（惯性、势能）纳入路径规划过程，生成的轨迹不仅在几何上最短，而且在能量上最高效。
• 模块化： 该框架将规划（寻找测地流）与控制（追踪流）解耦，允许使用标准的 QP 控制器，同时利用全局几何最优性。

作者承认，尽管该方法具有理论基础，但在高度各向异性的度量上训练神经求解器可能具有挑战性。他们将此方法定位为一种启发式方法，用于分析和规划机器人运动（特别是在同时建模动能和势能时），旨在提供全局最优路径，而非作为所有执行器成本模型的完美替代品。