那些动作具有类人优雅感的机器人，通常拥有的关节数量比到达目标点所必需的还要多。例如，人类的手臂从肩膀到手部共有七个运动部件，但它只需要将手置于三维空间中的特定位置即可。这种被称为“冗余”的额外自由度，使得机器人在保持手部位置完全不动的同时，能够扭转和旋转其身体。虽然这种灵活性对于避开障碍物或平滑移动非常有用，但也为工程师们制造了一个复杂的数学难题：保持一个姿势不仅仅有一两种方式，而是有无限种可能。这些无限的可能性构成了一个隐藏的几何形状，即存在于机器人内部关节空间内的一个连续曲面或曲线。理解并绘制出这个形状，对于编程机器人以实现高效且安全的移动至关重要，尤其是在机器人必须在无数选项中寻找最佳路径的拥挤或危险环境中。
几十年来，研究人员一直致力于绘制这些形状，特别是当机器人拥有许多额外的关节时。传统方法在形状是简单的线（如单条曲线）时表现良好，但当形状变成曲面或更高维度的物体时，这些方法就会失效。现有技术要么需要巨大的计算能力来搜索每一种可能性，要么依赖于仅对简单机器人成立的假设。高海涛、宋阳和吴廖的一项新研究提供了一种不同的方法。他们没有尝试逐行追踪这些形状，也没有试图进行碎片化的搜索，而是将这个问题视为一个概率问题。他们提出了一个简单的问题：如果要求机器人保持特定的姿势，它处于某种特定关节配置的可能性是多少？通过训练一个复杂的计算机模型来学习这种概率，他们发现无限的解自然地聚集成了不同的组。
研究人员在两种类型的机器人上测试了他们的方法：一个在平面内运动的简单三关节手臂，以及一个能够在完整三维空间内运动的更复杂的七关节工业手臂。对于较简单的手臂，他们的方法表现得与现有的最佳技术一样出色，能够准确找到单一的解曲线。然而，当他们处理七关节手臂时，该方法的真正威力才得以显现。当被要求在不考虑手部朝向的情况下保持空间中的某个位置时，机器人拥有四个额外的自由度。这意味着可能的解的形状不是一条线，而是一个四维体积。以往的方法从未成功绘制过如此高维度的形状。然而，这个新模型在不到一秒钟的时间内就生成了数千个有效的关节配置。通过根据这些配置之间的接近程度进行分组，研究人员可以清晰地识别出机器人可以使用的相互分离且不连续的解之“岛屿”。
这种新方法的一个关键优势在于它如何处理机器人的物理极限。现实中的机器人无法将关节弯曲到超过一定角度，而旧的数学模型往往忽略了这些限制，从而产生了一些会导致机器人“折断骨头”的无效解。新模型从一开始就旨在尊重这些物理边界，确保它找到的每一个解在物理上都是可能的。团队展示了他们的系统如何处理四维解空间的复杂性，这在以前被认为是用现有工具难以完成的任务。通过使用一种学习数据形状而非逐步计算的技术，他们创建了一个灵活的框架，可以随着机器人的进一步复杂化而进行调整。
这项工作并不声称解决了机器人运动的所有问题，但它为一个特定且困难的挑战提供了一个强大的新工具。研究人员通过模拟证明，他们的方法可以高精度且快速地逼近这些复杂的形状。他们并没有在真实世界的物理机器人上测试该系统，但模拟过程非常严谨，并涵盖了以往方法失效的具体场景。研究结果表明，通过从概率的角度看待问题并利用现代机器学习，工程师们终于可以驾驭冗余机器人那广阔而隐秘的景观。这为机器人能够以更高的智能运动开启了大门，使其能在杂乱的空间中找到最优路径，并执行那些此前难以规划的任务。
技术摘要：通过深度生成模型近似高维自运动流形
问题陈述
具有冗余自由度（DoF）的机器人操作臂拥有一组实现固定末端执行器位姿（x）的无穷多关节配置（q）集合。这些解的几何结构被称为自运动流形（Self-Motion Manifold, SMM）。高效地恢复 SMM 对于全局最优运动规划、冗余解析以及避免局部极小值或死锁至关重要。
现有的 SMM 计算方法面临显著局限性：
- 维度约束： 大多数方法（如零空间连续法、基于 ODE 的追踪法、傅里叶级数回归）假设 SMM 是 1 维曲线。当面对更高阶的冗余（例如 2 维曲面或 4 维流形）时，这些方法难以处理或无法泛化，因为此时流形不再是简单的曲线。
- 计算成本： 基于采样的算法（涉及详尽的网格搜索或细胞自动机）在计算上是极其昂贵的，尤其是在维度增加时。
- 关节限制： 许多数学公式（如傅里叶级数）假设周期性和对圆（S1）的微分同胚，这在存在关节限制或流形拓扑发生变化时会失效。
- 可扩展性： 当前方法无法高效扩展到高度冗余的系统（如类人机器人或多指手）。
方法论
作者提出了一个概率框架，将 S随着 SMM 近似重新定义为学习条件后验分布 p(q∣x)，其中 q 是配置，x 是目标位姿。该方法不是逐点追踪流形，而是学习直接从流形的支撑集进行采样。
核心方法：条件流匹配（Conditional Flow-Matching）
论文利用了**流匹配（Flow-Matching, FM）**技术，这是一种深度生成建模技术，用于学习随时间变化的速度场 vθ(q,t,x)。
- 训练： 模型通过将易处理的源密度（标准高斯分布 p0=N(0,I)）传输到数据密度 p1（给定位姿下的有效配置集合）来进行训练。
- 训练数据是通过从配置空间中采样随机配置 q 并计算其正向运动学 x=f(q) 来生成的。训练过程不需要逆运动学（IK）求解器。
- 损失函数最小化预测的速度场与最优传输向量场（q1−q0）之间的差异。
- 采样： 为了恢复特定查询位姿 x∗ 的 SMM，模型通过在时间上向前积分学习到的速度场来生成一批候选配置。
- 过滤与聚类：
- 过滤： 生成的样本经过过滤，仅保留正向运动学误差 dW(f(q),x∗) 在微小容差 δ 之内的样本。
- 聚类： 剩余的位于真实流形 δ-管附近的样本使用环面配置空间上的内在度量进行聚类。这一步可以在无需预知组件数量的情况下，分离出 SMM 的不连通分量（不同的同伦类）。
关键技术特性
- 维度无关性： 当冗余阶数（r）增长时，该公式不需要改变架构。采样成本取决于网络评估次数，而非流形的维度。
- 关节限制处理： 通过直接从有效配置中学习，模型能够天生尊重关节限制，避免了傅里叶方法中会失效的周期性假设。
- 即插即用的灵活性： 该框架允许集成替代的生成模型和聚类算法。
核心贡献
论文声称了以下贡献：
- 首个生成式 SMM 方法： 引入了第一个通过学习条件分布 p(q∣x) 并通过聚类恢复不同流形分量来近似 SMM 的方法。
- 高维能力： 这是第一个被证明能准确且高效地近似 7 自由度机械臂（KUKA iiwa）在仅位置任务下的 4 维 SMM 的方法。以往的工作主要局限于 r=1 或 r=2。
- 对约束的鲁棒性： 该方法通过构造方式生成的配置能够满足关节限制，克服了在处理非周期边界时表现挣扎的 ODE 和傅里叶表示法的局限性。
- 性能对等： 对于 1 维 SMM，该方法在性能上达到了与最先进的零空间连续法和基于傅里叶级数的学习方法相当的水平。
结果与评估
该方法在两个平台上进行了验证：平面 3R 机械臂和 7 自由度 KUKA LBR iiwa14。
重要性与主张
本文将该工作定位为 SMM 处理方式的一个根本性转变：从几何追踪转向概率采样。
- 可扩展性： 其主要意义在于能够处理高维冗余（r≥4），这一领域此前被认为是全局 SMM 恢复难以触及的。
- 通用性： 该方法不依赖于特定的流形拓扑（如曲线 vs 曲面），也不需要手动推导基函数或方向场。
- 实用性： 通过自然地适应关节限制并避免雅可比伪逆在奇异点附近“爆炸”（这是连续法中的常见问题），该方法为现实世界的机器人系统提供了更鲁棒的解决方案。
作者总结道，这种概率公式为未来复杂、高度冗余机器人系统的冗余解析和全局运动规划研究提供了一个灵活且可扩展的基础。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。