GASP: GPU-Accelerated Safe Planner for Real-Time Collision-Aware Motion Generation with Latent Trajectory Sampling

📄 arXiv: 2608.04612v1 📥 PDF

作者: Colin Merk, Stefanos Charalambous, Peter Dürr, Farshad Khadivar

分类: cs.RO

发布日期: 2026-08-05

💡 一句话要点

提出GASP以解决实时碰撞感知运动生成问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 碰撞感知 运动生成 GPU加速 深度学习 机器人规划 强化学习 轨迹优化

📋 核心要点

  1. 现有方法在动态环境中进行碰撞感知运动生成时，面临推理时间长和可行性不足的挑战。
  2. GASP通过结合B样条轨迹参数化和卷积残差神经网络，提出了一种高效的实时碰撞感知运动生成方案。
  3. 实验结果表明，GASP在碰撞感知可行性上达到了分析级成功率，并显著降低了推理时间。

📝 摘要（中文）

我们提出了GASP，一个基于GPU加速的安全规划器，用于实时的碰撞感知关节空间运动生成。GASP结合了受限B样条轨迹参数化和卷积残差神经网络，后者预测自由内部控制点，同时通过解析插入的边界控制点来强制执行初始和最终导数约束，以实现非静态条件下的碰撞感知规划。条件变分自编码器采样多个轨迹候选，并在GPU上并行解码和验证，从而实现近毫秒推理的批量规划。我们验证了GASP作为在线运动生成模块的有效性，显示出高碰撞感知可行性和显著减少的推理时间，相较于基于GPU的轨迹优化。此外，我们还将GASP部署为竞争性机器人乒乓球中的强化学习重置规划器，匹配基线回报率，同时将训练时间内的碰撞减少了约一半。

🔬 方法详解

问题定义：本论文旨在解决在已知环境中进行实时碰撞感知的关节空间运动生成问题。现有方法在动态环境下往往面临推理时间过长和碰撞可行性不足的痛点。

核心思路：GASP的核心思路是结合受限B样条轨迹参数化与卷积残差神经网络，利用后者预测自由控制点，同时通过解析插入边界控制点来确保运动轨迹的安全性和可行性。

技术框架：GASP的整体架构包括轨迹参数化模块、神经网络预测模块和GPU并行解码验证模块。首先生成初始轨迹参数，然后通过神经网络预测内部控制点，最后在GPU上并行处理多个轨迹候选。

关键创新：GASP的主要创新在于将条件变分自编码器与GPU加速技术相结合，实现了高效的批量轨迹生成与验证，显著提升了运动生成的实时性和安全性。

关键设计：在设计中，采用了特定的损失函数来优化控制点的预测精度，并通过调整网络结构来提高模型的泛化能力。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，GASP在碰撞感知可行性上达到了分析级成功率，并且推理时间显著低于传统的基于GPU的轨迹优化方法，达到了近毫秒级的推理速度。此外，在竞争性机器人乒乓球中，GASP的部署使得训练时间内的碰撞减少了约50%。

🎯 应用场景

GASP的潜在应用领域包括机器人运动规划、自动驾驶、以及任何需要实时碰撞感知的动态环境。其高效的运动生成能力能够显著提升机器人在复杂环境中的操作安全性和灵活性，未来可能在智能制造和服务机器人等领域产生深远影响。

📄 摘要（原文）

We present GASP, a GPU-Accelerated Safe Planner for real-time, collision-aware joint-space motion generation in known environments. GASP combines a clamped B-spline trajectory parameterization with a convolutional residual neural network that predicts the free interior control points, while analytically inserted boundary control points enforce initial and final derivative constraints for collision-aware planning under non-stationary conditions. A conditional variational autoencoder samples multiple trajectory candidates, which are decoded and validated in parallel on the GPU, yielding a batched planner for collision-aware coupled joint-space motion with near-millisecond inference. We validate GASP as an online motion-generation module, where it achieves analytical-level success rates with high collision-aware feasibility and substantially reduces inference time relative to GPU-based trajectory optimization. We further deploy GASP as a reinforcement-learning reset planner in competitive robotic table tennis, matching the baseline return rate while roughly halving training-time collisions.