Learning Unions of Convex Sets via Invertible Latent Decomposition for Path Planning
作者: Taerim Yoon, Dongho Kang, Kisang Park, Junha Cha, Stelian Coros, Sungjoon Choi
分类: cs.RO
发布日期: 2026-06-10
💡 一句话要点
提出可逆潜在分解以解决碰撞自由路径规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 路径规划 碰撞检测 可逆映射 凸集 机器人导航 实时规划 机器学习
📋 核心要点
- 现有的路径规划方法在处理复杂环境时，显式表示的扩展性差，隐式表示缺乏碰撞保证，导致规划效果不理想。
- 本文提出可逆潜在分解（ILD）框架，通过学习可逆映射和显式凸多面体的并集，解决了路径规划中的碰撞约束问题。
- 在多种实验环境中，ILD展示了更广泛的覆盖率、较好的集间连通性和更高的路径规划成功率，且实现了实时的碰撞自由规划。
📝 摘要（中文）
在复杂的真实环境中，实现碰撞自由的路径规划依赖于对无碰撞空间的有效表示。现有方法主要分为显式和隐式两类，显式表示如凸集的并集在优化规划中作为硬约束，但其参数在配置空间维度上扩展性差；隐式表示灵活且适应复杂几何，但通常缺乏保证。本文提出可逆潜在分解（ILD）框架，联合学习可逆映射和显式凸多面体的并集，在潜在空间中进行路径规划，并通过可逆映射将路径解码回原始配置空间，确保与细化的安全区域相符。此外，提出了可视性引导采样（VGS）以保持凸集的连通性。实验结果表明，ILD在多种环境下的覆盖范围、集间连通性和路径规划成功率均优于现有基线，且在测试时未观察到假阳性。
🔬 方法详解
问题定义：本文旨在解决在复杂环境中进行碰撞自由路径规划的问题。现有方法在显式表示和隐式表示之间存在权衡，显式表示参数扩展性差，隐式表示缺乏碰撞保证，限制了实际应用。
核心思路：论文提出的可逆潜在分解（ILD）框架，通过联合学习可逆映射和显式凸多面体的并集，能够在潜在空间中进行有效的路径规划，并在解码时保持路径的可行性。
技术框架：ILD框架包括两个主要模块：可逆映射模块和凸多面体的学习模块。首先，学习显式的凸集并将其映射到潜在空间中，然后在潜在空间中进行路径规划，最后通过可逆映射将路径解码回原始空间。
关键创新：最重要的创新在于将可逆映射与显式凸集的学习结合起来，形成了一种新的路径规划方法，克服了传统方法在碰撞约束下的局限性。
关键设计：在设计中，使用了特定的损失函数来优化可逆映射的学习，同时确保凸多面体的连通性，采用可视性引导采样（VGS）来增强路径规划的效果。具体的网络结构和参数设置在实验中进行了详细调优。
🖼️ 关键图片
📊 实验亮点
实验结果显示，ILD在2D导航、6自由度和14自由度的操作环境中，覆盖范围更广，集间连通性更好，路径规划成功率高于现有基线，且在测试时未观察到假阳性，表现出优越的性能。
🎯 应用场景
该研究的潜在应用领域包括机器人导航、自动驾驶、以及工业自动化等场景。通过实现实时的碰撞自由路径规划，能够显著提升机器人在复杂环境中的操作效率和安全性，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Collision-free path planning in cluttered, real-world environments relies on a representation of the collision-free space, and existing representations broadly fall into two categories. Explicit representations, such as unions of convex sets, can be plugged into optimization-based planners as hard collision-free constraints, but their parameters scale poorly with configuration-space dimension. Implicit representations, by contrast, are flexible and scale well to complex geometries, yet typically lack such guarantees. We bridge this gap with ILD (Invertible Latent Decomposition), a framework that jointly learns an invertible mapping and a union of explicit convex polytopes in the resulting latent space. Planning is carried out over these latent convex sets, and the invertible mapping decodes the resulting paths back to the original configuration space while preserving feasibility with respect to the refined explicit safe regions. We further propose Visibility-Guided Sampling (VGS) to keep the convex sets connected for path planning. Across 2D navigation, 6-DoF, and 14-DoF manipulation environments, ILD achieves broader coverage, better inter-set connectivity, and higher path-planning success rates than prior baselines, with zero observed false positives after test-time refinement. On a 14-DoF bimanual manipulator, we further demonstrate real-time collision-free planning, with test-time refinement adapting to scene-geometry changes during real-world deployment on a single 6-DoF arm.