RIT*: Riemannian Informed Trees for Cost-Adaptive Optimal Motion Planning

想象一下你正在试图引导一个机器人在迷宫中穿行。在机器人领域，这被称为“运动规划”（motion planning）。长期以来，实现这一目标的聪明方法是将机器人的移动视为棋盘上的跳棋游戏：每一步前进、后退或侧移消耗的能量都是一样的，而最短路径就是一条直线。这在简单的空旷房间里效果很好。但现实生活并非平坦的棋盘。想象一个拥有许多关节的机械臂：扭动一个沉重的腕部可能很容易，但抬起一个沉重的肩膀可能会精疲力竭。或者想象一个试图挤过墙壁的机器人：离墙太近是危险的，因此靠近墙壁的“代价”应该很高。

问题在于，大多数机器人大脑仍在沿用这种旧有的“平坦棋盘”数学逻辑。它们没有意识到某些方向比其他方向更难，或者某些区域更危险。这篇论文介绍了一种名为 RIT（黎曼信息树，Riemannian Informed Trees）的新思维方式。RIT 不再假设世界是平坦且均匀的，而是理解世界会根据你所处的位置和移动的方向而呈现出“弯曲”和“可拉伸”的状态。这就像是从一张将山脉和山谷视为相同距离的地图，切换到一张知道爬坡比横穿田野要费力得多的地图。通过使用这种更聪明的数学方法，机器人可以找到不仅是路径最短，而且实际上是最轻松、最安全的路径。

问题所在：“平坦地图”的错误

多年来，最好的机器人规划器一直使用一种叫做“信息采样”（informed sampling）的技巧。一旦机器人找到了从 A 点到 B 点的任何一条路径，它就会停止观察整个世界，而只关注这条路径周围的一个特定的“搜索气泡”。这使得寻找更好的路径变得更快。

然而，这些规划器使用标准的、平坦的几何学（欧几里得距离）来绘制它们的搜索气泡。它们假设向左移动一米与向上移动一米消耗的成本相同。但在现实世界中，特别是对于拥有许多运动部件的复杂机器人而言，这是错误的。

• 各向异性问题（The Anisotropy Problem）： 想象一个机械臂。移动一个轻快、快速的腕部关节很便宜；移动一个沉重、缓慢的肩部关节则很昂贵。平坦地图将它们视为等同。
• 障碍物问题（The Obstacle Problem）： 如果机器人撞到了墙，它会学到那个区域很糟糕。但标准的规划器并不会自动学习该区域到底有多糟糕，或者在没有预先编写每个障碍物地图的情况下如何在未来避免碰撞。

本文作者认为，依赖这些预设的平截几何规则会让机器人效率低下，尤其是在高维空间（拥有许多关节的机器人）或“移动代价”随位置变化的场景中。

解决方案：RIT* 与“可拉伸”地图

论文提出了 RIT*，这是一个新的规划框架，它用**黎曼几何（Riemannian geometry）**取代了平坦数学。如果你把机器人的世界想象成一张橡胶片，黎曼几何允许这张片子进行拉伸和收缩。

• 拉伸地图： 在移动困难的区域（如抬起沉重的手臂），地图会拉伸，使这些区域看起来更“远”且更昂贵。在容易的区域，地图则会收缩。
• 新的搜索气泡： RIT* 不再绘制完美的圆形或椭圆形搜索气泡，而是绘制一个符合这种“可拉伸”地图的形状。它只专注于那些在新的、弯曲的地图上看起来真正“廉价”的路径。
• 智能连接： 当机器人考虑连接两个点时，它不仅仅检查直线。它使用一种“级联”过滤器。它首先进行快速、粗略的检查。如果路径看起来很昂贵，它会立即将其丢弃。只有那些有希望的路径才会进行完整的、详细的计算。这节省了大量的计算机时间。

秘密武器：CARM（从碰撞中学习）

这篇论文中最令人兴奋的部分是一个名为 CARM（碰撞自适应度量细化，Collision-Adaptive Metric Refinement）的功能。

通常，为了让机器人避开障碍物，工程师必须手动设计一个“代价场”（即告诉机器人“远离这里”的地图）。但如果机器人还不了解地图怎么办？

• 学习过程： CARM 让机器人在规划的同时学习地图。每当机器人尝试一条路径并发生碰撞（collision）时，CARM 都会记录下来。它会说：“好吧，那个位置很危险。”
• 反馈循环： 它利用这些“碰撞”来创建一个危险热力图。然后，它会增加在这些地点附近移动的代价。下次机器人进行规划时，它会自然地避开之前发生碰撞的地方。
• 无需先验知识： 机器人不需要一个完美的房间地图就能开始。它可以从一张白纸（或关于其关节如何运动的基础概念）开始，并随着过程学习障碍物。

实验结果显示

研究人员在各种模拟世界中测试了 RIT*，从简单的 2-D 迷宫到复杂的 14 维机器人手臂（例如双臂机器人）。

• 在简单世界中： 当环境是均匀的（没有复杂的代价）时，RIT* 的表现与现有的最佳方法不相上下。它没有出现问题，只是达到了竞争对手的水平。
• 在复杂世界中： 这是 RIT* 脱颖而出的地方。
  • 在一个具有复杂的、方向相关代价的 3-D 环境中，R，RIT* 找到的解决方案比之前的最佳方法（BIT*）效率高出 13.0%。
  • 在一个 6-D 机械臂任务中，它将最终路径代价降低了 9.0%。
  • 在最难的测试——14-D 双臂机器人中，提升幅度巨大：RIT* 找到的路径比其他方法好 24.8% 到 63.5%。在高维情况下，旧的“平坦地图”方法实际上会陷入停滞或找到极差的路径，而 RIT* 则能持续改进。
• 真实机器人测试： 他们甚至在真实的 UR10e 机械臂上运行了该算法。机器人成功规划并执行了平滑、无碰撞的运动，证明了这种数学方法在现实世界中是有效的，而不仅仅是在模拟中。

核心结论

论文证明，通过将机器人的世界视为一个灵活的、弯曲的景观而非僵硬的、平坦的网格，我们可以找到更好的路径。RIT* 不仅仅是找到一条路径，它通过理解某些动作比其他动作更难，并从自身的错误（碰撞）中学习以规避危险，从而找到最聪明的路径。

虽然该方法需要更多的计算能力来进行复杂的数学运算，但结果表明，对于复杂环境中的复杂机器人，这种额外的投入会带来显著更好、更安全且更高效的运动。作者指出，随着机器人变得越来越复杂并进入不可预测的环境，这种“弯曲地图”的思维方式将变得至关重要。