论文信息
英文题目：Physics-Informed Neural Mapping and Motion Planning in Unknown Environments
中文题目：面向未知环境的物理信息神经映射与运动规划
作者：Yuchen Liu, Ruiqi Ni, Ahmed H. Qureshi
作者单位：Department of Computer Science, Purdue University, West Lafayette, IN, USA
期刊：IEEE Transactions on Robotics
发表时间：2025年3月27日
引文格式：Liu Y., Ni R., and Qureshi A. H., “Physics-Informed Neural Mapping and Motion Planning in Unknown Environments,” IEEE Transactions on Robotics, vol. 41, pp. 2200–2210, 2025.
01 全文速览
机器人在未知环境中工作时，通常要先建图，再调用运动规划器找路。问题在于：地图本身并不直接等于路径，传统SDF、占据栅格、点云地图往往还需要RRT、PRM、轨迹优化等额外规划工具。本文的核心想法很直接，也很大胆：能不能让地图本身就携带“到达时间”和“导航方向”，从而把建图与规划真正融合起来？
作者提出了 Active Neural Time Fields，简称 Active NTFields。它不是只学习障碍物在哪里，而是在线学习环境中的 arrival time fields，到达时间场。这个场来自Eikonal方程，其梯度可以直接引导机器人从起点走向目标点。
图1：Active NTFields整体流程图。
图1展示从传感器观测、C-space采样、神经网络预测时间场、速度场约束训练，到选择下一视角并规划路径的闭环流程。
✅ 亮点1：地图不再只是“障碍物表达”，而是能直接指导运动规划的时间场。
✅ 亮点2：无需专家轨迹数据，不依赖离线规划器生成监督标签。
✅ 亮点3：通过物理信息神经网络直接求解Eikonal方程，实现边探索、边建图、边规划。
✅ 亮点4：在TurtleBot4和UR5e真实实验中验证，规划速度可达0.02–0.03 s级别。
02 研究内容
🎯 2.1 问题切入：传统建图与规划之间仍有“断层”
传统机器人系统常采用“建图—规划”两阶段流程。建图模块输出占据地图、点云、SDF等环境表示；规划模块再基于这些表示调用采样规划或轨迹优化方法寻找路径。这种结构清晰，但计算代价不小，尤其当机器人需要频繁在同一地图中规划不同起终点时，规划器会被反复调用。
本文提出的到达时间场，本质上是一个面向规划的地图特征。给定起点和目标点，时间场描述从一点到另一点的最短到达时间，其梯度方向可以直接用于路径生成。因此，地图不只是“告诉机器人哪里不能走”，而是进一步告诉机器人“应该往哪里走”。
图2：论文的方法与 NTFields、P-NTFields、FMM 和 SD 在迷宫环境中生成时间场的比较。
该图直观展示本文方法与FMM、P-NTFields、NTFields、SD之间的差异，其中本文方法15 s即可恢复较准确时间场，而P-NTFields和NTFields分别需要18 min和10 min。
🧠 2.2 核心公式：用Eikonal方程把速度约束转化为时间场
论文将运动规划问题与Eikonal方程联系起来。Eikonal方程描述了速度场与到达时间场之间的关系，可理解为：机器人在不同空间位置具有不同“通行速度”，靠近障碍物时速度低，远离障碍物时速度高；时间场的梯度则反映路径推进方向。
核心关系可写为：
其中，
为了改善传统NTFields在障碍物附近梯度过陡、容易陷入错误局部极小的问题，作者提出新的时间场因式分解：
这一改动看似细节，但非常关键。相比原先 (1/au) 型表达，(log(au)^2) 在障碍物附近更平滑，不再依赖计算代价较高的Laplacian项，也不需要渐进式速度调度，从而使在线学习成为可能。
🧩 2.3 网络结构：从谱距离启发到神经时间场
作者的网络设计受到spectral distance的启发。简单理解，谱距离能够捕获空间的全局结构，虽然不一定精确等于最短路径时间，但具有较好的平滑性和全局一致性。
模型主要由四部分组成：
1. Fourier位置编码：增强网络表达高频空间特征的能力；
2. SIREN编码器：利用正弦激活函数表达连续且可微的C-space特征；
3. 对称算子：通过平方差操作保证从A到B与从B到A的时间场具有对称性；
4. 时间场生成器：输出因式分解变量 (au(q_s,q_g))。
图3：神经网络结构图。
🚀 2.4 在线学习流程：机器人一边探索，一边学习时间场
Active NTFields的在线过程可以概括为四步：
第一步，机器人从当前视角获取里程计和深度图或激光雷达数据；
第二步，从传感器射线中采样空间点，并估计这些点到障碍物表面的距离；
第三步，将采样点转换为C-space样本，构造速度监督信号；
第四步，在线训练神经时间场，并选择下一最佳视角继续探索。
论文中的Algorithm 1给出了完整流程。其思想并不复杂：每次观测都被加入记忆池，网络从新旧数据中采样训练，从局部观测逐渐形成全局时间场。值得注意的是，机器人前往下一视角时，不需要外部运动规划器，而是直接利用当前已学习到的局部时间场生成路径。
图4：Active NTFields在线学习伪代码。
📊 2.5 实验结果：速度优势非常明显
在Gibson室内环境中，本文方法与KinectFusion、iSDF、nvblox等建图方法，以及MPOT、RRTConnect、LazyPRM等规划方法进行了对比。结果显示，本文方法在建图时间上并非最快，但它学习的是可直接用于规划的arrival time field，因此后续规划速度优势明显。
在8个Gibson环境、共800组起终点测试中，本文方法平均规划时间约为 0.01 s，成功率约 98.28%。相比MPOT等方法，计算时间约快30倍，同时路径较平滑并与障碍物保持一定安全距离。
图5：Gibson环境中多种规划方法的路径对比与统计结果。
真实实验部分更能体现工程意义。TurtleBot4在室内家具环境中完成主动探索，用约65 s重构时间场，随后在0.02 s内完成从沙发附近到椅子后方目标点的路径规划。UR5e机械臂则在类似柜体的狭窄空间中完成6自由度C-space建图，规划平均时间约0.03 s，成功率91%。
图6：TurtleBot4真实室内环境探索与规划实验。
图7：UR5e机械臂在柜体狭窄环境中的运动规划实验。
03 创新点
🔍 3.1 从“环境地图”转向“规划地图”
本文最大的启发在于，它不再把建图看作单纯的几何重建，而是把地图设计成可直接服务规划的函数场。arrival time field既包含空间可通行性，也包含面向目标的路径信息，这使得建图结果天然具备规划能力。
⚙️ 3.2 新的时间场因式分解提升了在线训练效率
传统NTFields和P-NTFields虽然已经尝试用神经网络求解Eikonal方程，但训练慢、局部极小和复杂损失设计限制了在线应用。本文通过新的
🧠 3.3 物理信息学习减少了对专家数据的依赖
很多学习型运动规划方法依赖专家轨迹，而专家轨迹通常来自传统规划器，本质上仍离不开昂贵的数据生成过程。本文利用Eikonal方程和速度场约束训练网络，不需要专家路径监督，这一点对未知环境中的自主机器人尤其重要。
🤖 3.4 同一框架覆盖移动机器人与机械臂
论文不仅验证了二维/三维室内导航，还展示了UR5e在6自由度C-space中的规划能力。对机器人控制领域而言，这说明arrival time field不是简单的平面导航技巧，而有潜力成为高维构型空间规划的一类通用表达。
04 总结与展望
这篇TRO论文的价值，不只在于提出了一个更快的规划器，而在于重新思考了“地图”在机器人系统中的角色。过去，地图通常是规划器的输入；而在Active NTFields中，地图本身就是一种可微、连续、带方向信息的规划场。机器人在未知环境中不再只是被动记录障碍物，而是在探索过程中逐步学习“如何到达目标”。
当然，本文也存在进一步拓展空间。例如，在超大规模环境中，连续学习可能面临遗忘与效率问题；神经网络的谱偏置也可能影响对高频细节和复杂窄通道的表达；此外，如何与硬件加速规划、户外自主驾驶、动态障碍物环境结合，也值得继续深入。
🔭 未来研究将聚焦于以下几个方向：
1. 面向大规模环境的持续学习机制，提升长时间探索中的记忆保持与增量更新能力；
2. 缓解神经网络谱偏置问题，增强对复杂边界、窄通道和高频空间结构的表达；
3. 融合硬件加速运动规划技术，进一步探索微秒级规划的可能性；
4. 扩展到户外复杂场景与自动驾驶任务，减少对专家示范和离线路径数据的依赖；
5. 面向动态环境的时间场更新机制，使机器人能够应对移动障碍物和实时场景变化。
未来机器人系统中的“建图模块”和“规划模块”是否还需要严格分开？
声明：本文仅供学术交流，版权归原作者所有。如有错误或侵权，请联系更正或删除，欢迎留言探讨。