NeuPAN

將原始光達點直接映射為機器人動作的即時端對端規劃器

授權條款

GPL-3.0

概述

NeuPAN（Neural Proximal Alternating-minimization Network）是一款端對端、即時、無需地圖的機器人導航規劃器，發表於 IEEE Transactions on Robotics。它將學習而得的點到碰撞距離模型，與以近端交替最小化求解的模型式最佳化結合，把原始光達（lidar）點直接映射為無碰撞的動作：沒有感知到規劃的串接流程，也沒有預先建好的地圖。它可在雜亂、動態的環境中，於真實的差速驅動與 Ackermann 轉向機器人上執行。

傳統導航軟體堆疊將感知、建圖與規劃模組串接起來，每個階段都會累積延遲與誤差。NeuPAN 將這條鏈收合：一個可解釋的最佳化問題結合了機器人動力學、控制限制與避障約束，其中障礙物距離來自 DUNE，一個將原始點編碼為潛在距離特徵的學習模型。這個問題由神經近端交替最小化網路線上求解，在嵌入式 GPU 上達到即時速率，同時保有模型式控制滿足約束的特性。儲存庫提供完整的規劃器與預訓練模型、在 IR-SIM（作者的輕量模擬器，本平台亦有收錄）中以 YAML 設定的範例、供真實機器人使用的 ROS 整合，以及論文情境的重現，包括動態障礙物、狹窄走廊與密集的非結構化雜物，涵蓋差速驅動與 Ackermann 運動學。

為何重要

NeuPAN 是最早同時具備嚴謹模型式骨幹與真實機器人部署實績的端對端規劃器之一。它發表於 T-RO，代表導航研究的走向：直接從感測器到動作的規劃，並保有最佳化的安全結構，而不只是一個黑箱策略。

解決的問題

模組化導航流程在感知與規劃之間會增加延遲並累積誤差，在密集、動態的雜亂環境中也表現吃力。NeuPAN 直接在原始點上即時規劃，同時遵守動力學與碰撞約束，在真實硬體上補上了這個缺口。

重點

端對端：原始光達點直接映射為無碰撞動作，無需預先建好的地圖
模型式核心：動力學、控制限制與碰撞約束都在同一個最佳化問題中
DUNE 學習式距離模型加上近端交替最小化求解器，達到即時速率
已部署於動態雜亂環境中的真實差速驅動與 Ackermann 轉向機器人
發表於 IEEE Transactions on Robotics；模擬範例以 IR-SIM 提供

適用對象

探索端對端規劃的導航研究人員
評估學習式規劃器的機器人工程師
研究最佳化控制的研究生
在雜亂動態空間中開發機器人的開發者

限制

GPL-3.0 授權限制了閉源產品化
需要 PyTorch，使用 GPU 可獲得即時效能
以 2D 導航為主，不含 3D 飛行或操作規劃
研究用程式碼：所提供 ROS 範例以外的整合需由使用者自行處理