G-MAPP：GPU加速的多智能体规划与感知实现反应式运动生成
本文提出G-MAPP框架，利用GPU加速世界建模和基于向量场的规划，实现高达5倍的加速，并紧密耦合感知-行动循环，用于非结构化环境中的实时反应式运动生成。在7自由度Franka Emika机器人上的实验验证了其有效性。
在非结构化环境中实现反应式运动生成一直是机器人领域的开放性挑战。由于无碰撞运动生成的计算复杂度，现有方法要么为静态场景生成全局轨迹，要么采用对环境做出保守假设的模型。本研究指出，主要瓶颈在于高保真环境规划的运行性能要求，以及感知与规划模块之间的时间集成。为此，研究人员提出了一种框架，通过使用GPU加速世界建模和基于向量场的规划，在不牺牲运行性能和世界表征的前提下，实现了更快的并行状态探索，从而达成准全局轨迹规划，并在动态杂乱环境中利用现成的深度传感器实现感知-行动循环的实时紧密耦合。
该框架名为G-MAPP，在7自由度的Franka Emika机器人上进行了定量和定性评估。实验中，研究者对比了CPU和GPU版本规划器的计算时间和成功率差异，并在真实世界场景中测试了耦合框架的性能。结果表明，基于GPU的框架相较于CPU版本实现了高达5倍的加速，并在包括平凡和具有挑战性的物理环境中成功避免了碰撞。实验设置涵盖了从简单的静态障碍物到复杂的动态场景，验证了框架的鲁棒性。此外，研究人员还评估了感知延迟对整体性能的影响，发现GPU加速显著减少了从传感器输入到运动指令输出的端到端延迟。
G-MAPP的实现已公开在代码仓库中（见论文）。该工作发表于《IEEE Robotics and Automation Letters》2026年6月第11卷第6期，论文编号arXiv:2606.12579。这一成果为实时、鲁棒的机器人运动控制提供了新思路，尤其适用于需要快速反应和避障的复杂动态环境。未来的研究方向包括将框架扩展到多机器人系统以及更复杂的操作任务。