NeuPAN

将原始激光雷达点直接映射为机器人动作的实时端到端规划器

许可证

GPL-3.0

概述

NeuPAN（Neural Proximal Alternating-minimization Network，神经近端交替最小化网络）是一个端到端、实时、无需地图的机器人导航规划器，发表于 IEEE Transactions on Robotics。它将学习得到的点到碰撞距离模型与通过近端交替最小化求解的基于模型的优化相结合，把原始激光雷达点直接映射为无碰撞动作——没有感知到规划的流水线，也不需要预建地图——并已在杂乱、动态环境中的真实差速驱动和阿克曼转向机器人上运行。

传统导航技术栈将感知、建图和规划模块串联起来，每个环节都会累积延迟和误差。NeuPAN 压缩了这条链路：一个可解释的优化问题将机器人动力学、控制限制和避障约束耦合在一起，其中障碍物距离来自 DUNE——一个将原始点编码为潜在距离特征的学习模型。该问题由神经近端交替最小化网络在线求解，在嵌入式 GPU 上达到实时速率，同时保留基于模型控制的约束满足特性。仓库提供带预训练模型的完整规划器、在 IR-SIM（作者开发的轻量级仿真器，本平台亦有收录）中以 YAML 配置的示例、面向真实机器人的 ROS 集成，以及论文场景的复现，包括动态障碍物、狭窄走廊和密集非结构化杂乱环境下的差速驱动与阿克曼运动学。

为何重要

NeuPAN 是最早同时具备严谨的基于模型的骨干和真实机器人部署验证的端到端规划器之一——发表于 T-RO，它代表着导航研究的前进方向：具有优化安全结构的传感器直达动作规划，而不仅仅是一个黑盒策略。

解决的问题

模块化导航流水线在感知与规划之间增加延迟和累积误差，在密集动态杂乱环境中表现不佳。NeuPAN 直接在原始点上实时规划，同时强制满足动力学和碰撞约束，在真实硬件上弥合了这一差距。

要点

• 端到端：原始激光雷达点直接映射为无碰撞动作——无需预建地图
• 基于模型的核心：动力学、控制限制和碰撞约束统一在一个优化问题中
• DUNE 学习距离模型 + 近端交替最小化求解器，实现实时速率
• 已部署在动态杂乱环境中的真实差速驱动和阿克曼转向机器人上
• 发表于 IEEE Transactions on Robotics；仿真示例基于 IR-SIM

适用人群

• 探索端到端规划的导航研究人员
• 评估学习型规划器的机器人工程师
• 研究基于优化控制的研究生
• 开发杂乱动态空间机器人的开发者

局限

• GPL-3.0 许可证限制了闭源产品化
• 需要 PyTorch，且有 GPU 才能获得实时性能
• 聚焦 2D 导航——不涉及 3D 飞行或操作规划
• 研究代码：超出所附 ROS 示例的集成需要用户自行完成