G-MAPP：GPU加速的多智慧體規劃與感知實現反應式運動生成

在非結構化環境中實現反應式運動生成一直是機器人領域的開放性挑戰。由於無碰撞運動生成的計算複雜度，現有方法要麼為靜態場景生成全域性軌跡，要麼採用對環境做出保守假設的模型。本研究指出，主要瓶頸在於高保真環境規劃的執行效能要求，以及感知與規劃模組之間的時間整合。為此，研究人員提出了一種框架，透過使用GPU加速世界建模和基於向量場的規劃，在不犧牲執行效能和世界表徵的前提下，實現了更快的並行狀態探索，從而達成準全域性軌跡規劃，並在動態雜亂環境中利用現成的深度感測器實現感知-行動迴圈的即時緊密耦合。

該框架名為G-MAPP，在7自由度的Franka Emika機器人上進行了定量和定性評估。實驗中，研究者對比了CPU和GPU版本規劃器的計算時間和成功率差異，並在真實世界場景中測試了耦合框架的效能。結果表明，基於GPU的框架相較於CPU版本實現了高達5倍的加速，並在包括平凡和具有挑戰性的物理環境中成功避免了碰撞。實驗設定涵蓋了從簡單的靜態障礙物到複雜的動態場景，驗證了框架的魯棒性。此外，研究人員還評估了感知延遲對整體效能的影響，發現GPU加速顯著減少了從感測器輸入到運動指令輸出的端到端延遲。

G-MAPP的實現已公開在程式碼倉庫中（見論文）。該工作發表於《IEEE Robotics and Automation Letters》2026年6月第11卷第6期，論文編號arXiv:2606.12579。這一成果為即時、魯棒的機器人運動控制提供了新思路，尤其適用於需要快速反應和避障的複雜動態環境。未來的研究方向包括將框架擴充套件到多機器人系統以及更復雜的操作任務。