導語

運動規劃是機器人完成任務的關鍵環節，傳統運動規劃方法的效率相對較低，基于機器學習的運動規劃算法提升了效率，但是面臨對專家數據依賴性強的問題。那么，無需依賴大量專家數據的情況下，是否可以實現讓機器人在復雜環境中高效避障？本次分享，普渡大學的倪瑞祺博士將為我們分享他們的一系列工作，運動規劃與物理信息學習的跨界融合。

分享簡介

運動規劃是機器人完成任務的關鍵環節。近年來，基于學習的方法提升了運行效率，但普遍依賴大量傳統規劃器生成的軌跡作為監督，數據成本高。本次分享將介紹我們的一系列研究成果：基于物理信息學習的運動規劃方法。該方法無需專家演示，只利用機器人與障礙物的距離訓練神經網絡，通過求解 Eikonal 方程實現高效的路徑生成。

分享大綱

1. 為什么用偏微分方程（PDE）建模運動規劃？

2. 如何通過物理信息學習解 Eikonal 方程？

3. 使用課程學習與粘性解提升收斂與穩定性

4. 結合時序差分與度量學習保持路徑結構

5. 將方法推廣到流形約束下的高維機器人操作任務

6. 支持實時建圖與高效路徑規劃

7. 總結與展望：物理結構與學習系統的深度融合

核心概念

物理信息學習

偏微分方程

運動規劃

最優控制

主講人簡介

倪瑞祺，普渡大學計算機科學系博士生，研究方向為基于物理信息方法的運動規劃與控制。研究成果發表于 ICLR、RSS、ICRA 等會議，聚焦在如何將 PDE、最優控制與神經網絡學習融合，以提升機器人在高維復雜環境中的運動規劃能力。

報名參與

參與時間：

2025年4月13日（周日）上午 10:00-12:00

報名參與讀書會：

https://pattern.swarma.org/study_group_issue/886?from=wechat

掃碼參與，加入群聊，獲取系列讀書會回看權限，與社區的一線科研工作者溝通交流，共同探索具身智能這一前沿領域的發展。

涉及到的參考文獻

“Physics-informed Temporal Difference Metric Learning for Robot Motion Planning ”, Ruiqi Ni, Zherong Pan, Ahmed H. Qureshi, International Conference on Representation Learning (ICLR), 2025

“Physics-informed Neural Mapping and Motion Planning in Unknown Environments”, Yuchen Liu*, Ruiqi Ni*, Ahmed H. Qureshi, IEEE Transactions on Robotics (T-RO), 2025

“Physics-informed Neural Motion Planning on Constraint Manifolds”, Ruiqi Ni, Ahmed H. Qureshi, IEEE International Conference on Robotics and Automation (ICRA), 2024.

“Progressive Learning for Physics-informed Neural Motion Planning ”, Ruiqi Ni, Ahmed H. Qureshi, Robotics: Science and Systems (RSS), 2023.

“NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning ”, Ruiqi Ni, Ahmed H. Qureshi, International Conference on Representation Learning (ICLR), 2023. Spotlight.

具身智能讀書會啟動

集智俱樂部聯合上海交通大學助理教授李永露、銀河通用機器人合伙人史雪松、南京大學LAMDA組博士生陳雄輝、香港大學在讀博士生穆堯，共同發起首季。讀書會計劃采用“自下而上”的層級結構，探討四個核心模塊：硬件系統（機器人本體設計），數據、仿真環境與Benchmark，機器人學習，具體場景任務。希望通過重點討論經典、前沿的重要文獻，幫助大家更好地學習機器人與具身智能技術前沿技術，為相關領域的研究和應用提供洞見。

讀書會從2025年1月19日開始，每周日14:00-16:00，持續時間預計 6-8 周左右。每周進行線上會議，與主講人等社區成員當面交流，之后可以獲得視頻回放持續學習。

詳情請見：