导语

运动规划是机器人完成任务的关键环节，传统运动规划方法的效率相对较低，基于机器学习的运动规划算法提升了效率，但是面临对专家数据依赖性强的问题。那么，无需依赖大量专家数据的情况下，是否可以实现让机器人在复杂环境中高效避障？本次分享，普渡大学的倪瑞祺博士将为我们分享他们的一系列工作，运动规划与物理信息学习的跨界融合。

分享简介

运动规划是机器人完成任务的关键环节。近年来，基于学习的方法提升了运行效率，但普遍依赖大量传统规划器生成的轨迹作为监督，数据成本高。本次分享将介绍我们的一系列研究成果：基于物理信息学习的运动规划方法。该方法无需专家演示，只利用机器人与障碍物的距离训练神经网络，通过求解 Eikonal 方程实现高效的路径生成。

分享大纲

1. 为什么用偏微分方程（PDE）建模运动规划？

2. 如何通过物理信息学习解 Eikonal 方程？

3. 使用课程学习与粘性解提升收敛与稳定性

4. 结合时序差分与度量学习保持路径结构

5. 将方法推广到流形约束下的高维机器人操作任务

6. 支持实时建图与高效路径规划

7. 总结与展望：物理结构与学习系统的深度融合

核心概念

物理信息学习

偏微分方程

运动规划

最优控制

主讲人简介

倪瑞祺，普渡大学计算机科学系博士生，研究方向为基于物理信息方法的运动规划与控制。研究成果发表于 ICLR、RSS、ICRA 等会议，聚焦在如何将 PDE、最优控制与神经网络学习融合，以提升机器人在高维复杂环境中的运动规划能力。

报名参与

参与时间：

2025年4月13日（周日）上午 10:00-12:00

https://pattern.swarma.org/study_group_issue/886?from=wechat

扫码参与「具身智能」读书会，加入群聊，获取系列读书会回看权限，与社区的一线科研工作者沟通交流，共同探索具身智能这一前沿领域的发展。

涉及到的参考文献

“Physics­informed Temporal Difference Metric Learning for Robot Motion Planning ”, Ruiqi Ni, Zherong Pan, Ahmed H. Qureshi, International Conference on Representation Learning (ICLR), 2025

“Physics­informed Neural Mapping and Motion Planning in Unknown Environments”, Yuchen Liu*, Ruiqi Ni*, Ahmed H. Qureshi, IEEE Transactions on Robotics (T­RO), 2025

“Physics­informed Neural Motion Planning on Constraint Manifolds”, Ruiqi Ni, Ahmed H. Qureshi, IEEE International Conference on Robotics and Automation (ICRA), 2024.

“Progressive Learning for Physics­informed Neural Motion Planning ”, Ruiqi Ni, Ahmed H. Qureshi, Robotics: Science and Systems (RSS), 2023.

“NTFields: Neural Time Fields for Physics­Informed Robot Motion Planning ”, Ruiqi Ni, Ahmed H. Qureshi, International Conference on Representation Learning (ICLR), 2023. Spotlight.

集智俱乐部联合上海交通大学助理教授李永露、银河通用机器人合伙人史雪松、南京大学LAMDA组博士生陈雄辉、香港大学在读博士生穆尧，共同发起首季「具身智能」读书会。读书会计划采用“自下而上”的层级结构，探讨四个核心模块：硬件系统（机器人本体设计），数据、仿真环境与Benchmark，机器人学习，具体场景任务。希望通过重点讨论经典、前沿的重要文献，帮助大家更好地学习机器人与具身智能技术前沿技术，为相关领域的研究和应用提供洞见。

读书会从2025年1月19日开始，每周日14:00-16:00，持续时间预计 6-8 周左右。每周进行线上会议，与主讲人等社区成员当面交流，之后可以获得视频回放持续学习。

详情请见：具身智能读书会启动：走向现实世界的下一代AI系统

点击“阅读原文”，报名读书会