🤖 AI

THREAD: Trajectory Planning for Hybrid Rigid-Soft Manipulators with Environment-Aware Diffusion

本文介绍了 THREAD，一种基于扩散模型的混合刚柔耦合操作器轨迹规划器，它通过学习以局部环境几何形状为条件的生成先验，从而在成功穿越受限空间时显著减少碰撞，并具有极高的跨具身迁移能力。

原作者： Shivani Kamtikar, Pranav Asthana, Naveen Kumar Uppalapati, Girish Krishnan, Girish Chowdhary

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Shivani Kamtikar, Pranav Asthana, Naveen Kumar Uppalapati, Girish Krishnan, Girish Chowdhary

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在尝试穿针引线，但你的手不是人类的手，而是一个机械臂。现在，让任务变得更难：这个机械臂不仅仅是一个僵硬的金属杆，它是一个混合体。它的下半部分是一个刚性的、重型的机械臂（就像标准的工厂机器人），而上半部分是一个柔软、可弯曲的蛇形臂。你的目标是引导这个蛇形末端穿过墙上一个极小的窄孔，同时确保机械臂的其他部分不会撞到墙壁。

这就是 THREAD 论文所解决的挑战。以下是他们如何实现这一目标的简单解释：

问题：“刚性与柔性”的困境

标准的机器人擅长直线运动，但无法挤进狭窄的空间。软体机器人擅长挤压，但由于它们像湿面条一样随处摆动，因此很难控制。

当两者结合时，产生了一个新问题：

“自由空间”陷阱： 一个在空旷房间里看起来完美的形状，可能在试图移动的一瞬间就撞上墙壁。
“脱节”问题： 如果你分别规划刚性部分和柔性部分，它们可能会互相冲突。刚性臂可能会将柔性部分推向一个导致其损坏或卡住的位置。

解决方案：一场“生成式梦境”

作者创建了一个名为 THREAD 的系统。THREAD 并不试图一步步计算出完美的路径（这就像是在墙壁移动时试图解一道数学题），而是教会机器人去**“梦见”**成功的路径。

他们使用了一种叫做**扩散模型（Diffusion Model）**的 AI 技术。你可以把它想象成一个“去噪”过程：

想象你有一张机器人成功穿针引线的照片，但照片布满了静态噪声（就像信号不好的电视画面）。
AI 学习如何通过一步步移除这些噪声，直到剩下一张清晰、完美的机器人路径图像。
通过对成千上万个案例进行训练，AI 学习了什么是有效的、不发生碰撞路径的“物理规则”。它不仅仅是找到一条路径，而是学习了所有可能的有效路径组成的整个“家族”。

它是如何在现实中工作的

该系统由三个主要部分协同工作：

“梦境家”（扩散规划器/The Diffusion Planner）：
这是大脑。它观察房间（通过机器人顶端的摄像头）和目标（孔洞）。然后，它会“梦见”机器人的完整形态——一条从基座到末端的连续曲线——从而避开墙壁。它将整个机器人视为一个单一的、灵活的脊椎，而不是多个独立的关节。
“安全向导”（推理时引导/Inference-Time Guidance）：
在 AI 构思路径的过程中，有一个安全卫士在监视。如果梦境开始看起来像是要撞墙，卫士会轻轻地将梦境推回安全区域。这确保了机器人不会仅仅靠“猜测”出一个看起来不错但现实中会发生碰撞的路径。
“微调员”（残差强化学习/Residual RL）：
即使是最完美的梦境，在现实世界中实施时也可能存在微小误差（由于地面湿滑或关节晃动）。第二个较小的 AI 充当“纠错教练”。它观察机器人的运动，并进行瞬时的微调，以确保机器人保持在梦境设定的路径上。

结果：为什么这很重要

作者在两种方式下测试了这个系统：在计算机模拟中以及在真实机器人上。

成功率： THREAD 的成功率达到了 92.4%。排名第二的方法仅能达到约 75%。
安全性： 它撞墙的频率比其他方法低了 5 倍。
“神奇的迁移”： 这是最酷的部分。他们在特定机器人的模拟环境中训练了 AI（一个带有两段软体蛇形的 UR5 大臂），然后将这个完全相同的 AI 放在了一个完全不同的、更小的机器人（带有单段软体蛇形的 myCobot）上进行实地测试。
- 他们没有重新训练 AI。
- 他们没有给它看新的图片。
- 他们只是让它运行了一小会儿进行调整。
- 结果： 它依然奏效！它成功穿过了仅为软体蛇自身宽度 1.3 倍 的孔洞。

类比总结

想象用刚性机械臂穿针引线，就像试图用一根扫帚柄穿过钥匙孔，这是不可能完成的任务。
想象单独使用软体蛇，就像试图引导一根湿面条穿过钥匙孔；它或许能到达，但你完全不知道它会往哪里走。

THREAD 就像是给了机器人一张“心理地图”，展示了灵活的蛇形臂可以如何扭动穿过钥匙孔而不触碰边缘。它不仅仅是在计算数学，它是在学习一次成功动作的“感觉”，使其能够立即适应新的机器人和新的环境。

他们的主张（以及未涉及的部分）

他们主张： 他们构建了第一个使用这种“梦境”（扩散）方法处理混合型机器人的系统。它在模拟和真实机器人迁移方面表现出色。它处理狭窄孔洞的能力优于以往任何方法。
他们并未主张： 他们并没有声称这已经可以用于手术或灾难救援。他们明确指出，目前的测试是在带有单孔的平坦墙面上进行的。他们提到，未来需要进一步研究以处理复杂的隧道或连续的孔洞，但目前尚未解决这些问题。

简而言之，THREAD 教会了机器人如何通过“想象”一条安全的路径来穿过狭窄的缝隙，而不仅仅是应对障碍物，这使得它们在处理精细、受限的任务时表现得更加出色。

技术摘要：THREAD —— 基于环境感知扩散模型的混合刚性-柔性机械臂轨迹规划

1. 问题陈述

在受限且非结构化环境（如灾难响应、地下探索）中运行的机器人，在通过狭窄孔径时面临显著挑战。虽然混合刚性-柔性机械臂结合了刚性臂的触及范围与连续体软体臂（SCA）的顺应性，以进入狭窄空间，但它们也引入了独特的规划难题：

环境不可行性（Environmental Infeasibility）： 在自由空间中运动学有效的骨架形状，在受到环境接触约束时可能变得物理上不可行，从而导致碰撞或应变极限违规。
运动学耦合（Kinematic Coupling）： 独立规划刚性和柔性段会忽略它们的运动学耦合。位置不佳的刚性臂可能会迫使柔性段进入违反物理约束的构型，导致任务无法完成。
现有方法的局限性： 经典的基于采样的规划器缺乏闭环重规划能力和泛化能力。监督学习和强化学习（RL）方法通常侧重于末端执行器控制，缺乏全局骨架推理或显式的几何碰撞感知。此外，现有的扩散模型已被应用于刚性关节空间，但尚未应用于连续体机械臂的连续骨架形状域。

2. 方法论：THREAD 框架

作者提出了 THREAD，一种在连续骨架形状空间（而非关节空间或末端执行器空间）中运行的基于扩散的轨迹规划器。该系统集成了感知、生成式规划和闭环控制。

A. 统一骨架表示

整个运动链（刚性臂 + 软体连续臂）被编码为一个由 $K=64$ 个点组成的单一骨架，这些点从基座采样至末端。

刚性-柔性掩码（Rigid-Soft Mask）： 一个参数化掩码将骨架划分为刚性和柔性段。
联合优化： 通过对整个骨架进行扩散，该模型确保生成的末端执行器位姿在满足柔性段物理约束的同时，仍能由刚性臂在运动学上实现。

B. 扩散轨迹规划器

一个去噪扩散概率模型（DDPM）被训练用于生成基于以下条件的无碰撞骨架轨迹：

环境几何结构 ( $\mathcal{C}_{env}$ )： 通过处理重建 3D 场景的 MASt3R 点云编码器进行编码。
目标位姿 ( $\mathcal{C}_{goal}$ )： 3D 目标位置。
初始状态 ( $\mathcal{C}_{state}$ )： 机器人的当前骨架构型。

物理启发损失函数（Physics-Informed Losses）： 在训练期间，模型最小化一个复合损失函数：

噪声预测损失： 用于去噪的标准均方误差（MSE）。
曲率损失 ( $L_c$ )： 为柔性段强制执行物理上合理的平滑度。
时间平滑损失 ( $L_t$ )： 确保时间步之间的平滑过渡。
刚性直线性损失 ( $L_r$ )： 强制要求刚性段保持笔直（零曲率），防止出现物理上不可能的构型。

推理时引导（Inference-Time Guidance）： 为了在不重新训练的情况下实现碰撞规避，系统采用了源自观测场景的可微符号距离函数（SDF）。在 DDIM 采样过程中，通过基于梯度的引导对预测的干净轨迹进行惩罚，以防止点穿透障碍物。

C. 控制与执行

逆运动学（IK）： 一个学习到的 MLP 将规划的骨架形状映射到驱动指令（针对 SCA 的气动输入和针对刚性臂的关节增量）。
残差 RL 策略： 一个 Soft Actor-Critic (SAC) 策略在闭环中运行，发出微小的修正动作 ( $\pm 20$ mm)，以补偿建模误差和接触不确定性。
收缩时界重规划（Receding-Horizon Replanning）： 扩散规划器每 32 步被重新调用一次，以将计划重新锚定到当前的机器人状态，从而修正漂移。

3. 核心贡献

统一表示： 首个将混合机械臂的完整运动链编码为单一骨架形状的框架，实现了刚性和柔性子系统的联合优化。
骨架空间的扩散： 首次将扩散模型应用于连续体机械臂，将轨迹规划从离散的关节空间扩展到连续的骨架形状域。
混合推理策略： 结合了用于碰撞规避的推理时几何引导（SDF）和用于执行精细化的残差 RL 策略的新颖组合。
跨具身迁移（Cross-Embodiment Transfer）： 证明了在骨架形状空间进行规划可以实现向不同硬件形态（例如，从带有 2 段 SCA 的 UR5 迁移到带有 1 段 SCA 的 myCobot）的直接迁移，且仅需极少的在线 RL 适配，无需重新训练扩散规划器。

4. 实验结果

实验在 SoftManiSim 仿真环境中进行，并在真实硬件上进行了验证。

性能： THREAD 实现了 92.4% 的任务成功率，显著优于最强的基准方法（BC + RL 为 75.3%），并将碰撞率降低了 5 倍（12.2% 对比 BC + RL 的 62.2%）。
鲁棒性： 在涉及未见墙壁角度和距离的“分布外”（OOD）测试中，THREAD 保持了约 88% 的成功率，而基准方法则退化至接近于零或个位数成功率。
轨迹质量： 该方法产生的轨迹比仅使用 RL（0.110）和 BC+RL（0.076）的方法显著更平滑（平滑度指标为 0.008）。
仿真到现实（Sim-to-Real）迁移： 部署在带有单段 SCA 的真实 myCobot 上（训练期间未见过），THREAD 在仅经过约 100 步在线 RL 更新后实现了 75.0% 的成功率，成功穿过了仅为柔性段直径 1.3 倍的孔径。
消融实验： 去除推理时引导会导致碰撞增加约 5.5 倍。去除刚性损失会导致刚性段出现物理上不可实现的弯曲，而去除曲率损失则会导致柔性弯曲不平滑。

5. 意义与主张

论文声称 THREAD 通过将规划范式从以执行器为中心（关节/末端执行器）转向以几何为中心（骨架形状），解决了混合机械臂中的根本性差距。

生成先验（Generative Prior）： 作者认为，对于受限环境，正确的归纳偏置是关于物理上可行的形状的生成先验。这使得系统能够表示有效解的完整分布，而不是搜索单一轨迹，从而在约束收紧时实现优雅的降级。
泛化性： 骨架中心的表示被声称是一种“结构属性”，有助于跨越形态各异的硬件进行迁移。通过学习可行形状的几何特性而非记忆执行器轨迹，该规划器可以泛化到新的机器人和环境，而无需重新训练。
安全性与成功率： 几何先验（扩散）与反应式修正（RL）的结合解决了传统的任务成功率与安全性之间的权衡，在实现高成功率的同时，避免了纯反应式或基于模仿的方法所带来的高昂碰撞成本。

作者总结道，这种方法为通用型软体及混合机械臂规划器提供了一条路径，特别是在需要穿越受限、非结构化环境的场景中。