斯坦福机器人学研讨会 ENGR319 | 2026年冬季 | 基于物理的PDE先验的机器人运动学习

36次播放
2026-07-31

本次课程涵盖: • 基于偏微分方程(PDE)的物理先验如何为机器人运动学习中的可扩展和可泛化算法提供基础 • 介绍一种统一感知与规划的HJ PDE衍生映射表示

视频 AI 总结:本视频介绍了一种基于物理 PDE 先验的机器人运动学习方法。主讲人指出传统运动规划方法在推理效率、训练效率和适应性上存在权衡,提出利用 eikonal 偏微分方程(PDE)作为神经网络训练的物理先验,使模型能在无专家演示的情况下快速训练,并在高维、复杂环境、操作任务和多智能体场景中实现实时规划。通过梯度匹配损失和时序差分学习,该方法解决了 PDE 多解和梯度失控问题,显著提升了推理速度与泛化能力。 主要内容

  • 运动规划问题的定义及传统方法的局限(优化法、采样法、数据驱动法)。
  • 提出 eikonal PDE 作为物理先验,训练神经网络求解旅行时间函数。
  • 通过梯度匹配损失和 Bellman 最优性原理解决多解和梯度控制问题。
  • 展示了该方法在高自由度机器人、操作任务、未知环境探索和多智能体协作中的应用。
  • 训练效率远优于基于大数据的方法(几分钟 vs 数周/数天),推理速度极快(<0.1秒)。

2026年1月9日 Ahmed H. Qureshi,博士 普渡大学计算机科学系助理教授