Skip to content
具身智能数据

轨迹规划、控制与物理约束数据

规划数据的基本问题是：在给定初态和约束下，机器人为什么选择这条轨迹，执行后是否仍满足约束。接触模式表示哪些部位与环境接触以及接触何时切换。仅保存最终关节轨迹会丢失候选方案、接触模式、优化目标及不可行原因。CoMET并行评价接触模式，接触隐式轨迹优化把接触选择纳入优化并试图找到多个不同策略；两者都说明一个场景可以有多条合理解。

规划数据从任务与场景状态、候选轨迹到控制执行和反馈的流程

输入、候选与执行应分层记录

Section titled “输入、候选与执行应分层记录”
  • 任务与场景：保存目标位姿、机器人形态、障碍/物体几何、坐标系、动力学参数和不确定性。对物体可移动或易碎场景，几何碰撞不是二值风险；CaSCo考虑接触后的次生物体碰撞，应记录场景物体的风险属性与预测后果。
  • 候选轨迹：保存采样种子、时间参数化、控制点、成本各项、约束违反量、求解状态、接触模式和筛选原因。Primitive-Informed MPC用低维手指运动基元引导采样并剔除不可行轨迹，训练数据不能只保留被选中样本。
  • 执行反馈：保存名义轨迹、实际状态、控制命令、估计误差、接触力和重新规划触发点。软执行器任务空间控制使用模型估计与反馈，Gripper-Aware Packing结合感知、放置优化和力引导执行；两者都需要把计划与实际轨迹一一对应。

轨迹规划问题中目标、决策变量、约束、求解器和执行反馈的字段关系

最小数据契约

Section titled “最小数据契约”
层级 建议字段 必须明确
问题实例 scene_id, robot_model, initial_state, goal, geometry_version 坐标系、单位和几何误差
约束 constraint_set_id, collision_margin, contact_rules, kinematic_limits, dynamics_model 硬约束、软成本及优先级
候选方案 plan_id, seed, waypoints, contact_mode, objective_terms, feasibility_status 不可行与求解超时分开
执行结果 executed_states, control_commands, replan_events, contact_observations, outcome 计划偏差与最终任务结果分开

Amplify把动力学、轨迹和参考运动算法写成优化模型中的约束，以提高机器人非线性规划问题的复现性。发布数据时对应保存变量定义、目标项、约束表达、求解器及版本，而不只是轨迹输出。车辆语义推理到连续动作 LaPla也要求记录离散表达与物理可执行轨迹之间的映射。

质检、切分与评估

Section titled “质检、切分与评估”

规划评估按可行性、接触后果、执行偏差和计算预算分层

离线检查运动学极限、轨迹连续性、碰撞余量、接触模式一致性及成本项重算是否匹配；真实执行检查规划坐标与传感器时钟、力矩/速度限幅和环境变化。接触可以增加支撑又压缩末端可达性，CTCS据此评估接触候选，质检要区分“接触可建立”和“建立后仍能完成任务”。

报告规划成功率、求解时间、约束违反、路径/能耗、真实执行误差与任务完成率。按场景几何、物体实例、约束组合、机器人形态和接触模式切分；相同问题的不同随机种子不能跨训练与测试。施工机器人 CAST具有多机器人与缆线约束，弹簧足四旋翼 能量高效跳跃具有混合动力学，这些域的结果应保留各自物理条件，避免单一“轨迹长度”掩盖关键失败。

本月论文索引

Section titled “本月论文索引”

本页索引收录 2026-08-27 至 2026-09-27 发表、归入本主题的论文。