[论文解读] DiffPills: Differentiable Collision Detection for Capsules and Padded Polygons

Kevin Tracy, Taylor A. Howell+1 more|arXiv (Cornell University)|Jul 1, 2022

Robotic Path Planning Algorithms被引用 4

一句话总结

该论文提出了 DiffPills，一种通过将碰撞查询建模为可微分凸二次规划（QP）问题，实现圆柱体与填充多边形之间可微分碰撞检测的框架。该方法可计算接近度值与最近点，并支持完整的梯度传播，从而可集成到基于梯度的机器人学工作流中，如轨迹优化、状态估计与强化学习。

ABSTRACT

Collision detection plays an important role in simulation, control, and learning for robotic systems. However, no existing method is differentiable with respect to the configurations of the objects, greatly limiting the sort of algorithms that can be built on top of collision detection. In this work, we propose a set of differentiable collision detection algorithms between capsules and padded polygons by formulating these problems as differentiable convex quadratic programs. The resulting algorithms are able to return a proximity value indicating if a collision has taken place, as well as the closest points between objects, all of which are differentiable. As a result, they can be used reliably within other gradient-based optimization methods, including trajectory optimization, state estimation, and reinforcement learning methods.

研究动机与目标

• 解决机器人学中缺乏可微分碰撞检测的问题，该问题限制了在仿真、规划与学习中使用基于梯度的优化方法。
• 利用圆柱体与填充多边形作为基本几何体，实现复杂几何形状的精确且可微分的接触建模。
• 将碰撞检测建模为可微分凸优化问题，以支持对接近度与最近点计算的反向传播。
• 支持对圆柱体与填充多边形的物体配置（位置、方向）进行梯度计算。
• 在实际机器人任务中展示其适用性，如包含碰撞规避约束的轨迹优化。

提出的方法

• 将圆柱体与填充多边形建模为几何基元，其碰撞由最近点之间的接近度决定。
• 将碰撞检测问题建模为带有不等式约束的凸二次规划（QP），其参数由物体配置决定。
• 使用带 Mehrotra 预测-校正步骤的原始-对偶内点法求解 QP，通过自动微分实现可微分优化。
• 利用 KKT 条件与隐函数定理推导接近度值与最近点的梯度，实现通过 QP 解的导数传播。
• 基于参数化表示，使用解析表达式从 QP 解变量中恢复圆柱体与多边形上的最近点。
• 将可微分碰撞检测集成到轨迹优化流水线中，使用如 ALTRO 等梯度感知求解器。

实验结果

研究问题

• RQ1 圆柱体与填充多边形之间的碰撞检测能否在物体配置上实现完全可微分？
• RQ2 如何利用凸优化方法可微分地计算接近度与最近点信息？
• RQ3 可微分碰撞检测在多大程度上能提升基于梯度的运动规划的性能与可行性？
• RQ4 所提出的可微分 QP 建模在机器人工作负载中的计算效率与数值稳定性如何？
• RQ5 该框架能否用于在轨迹优化中施加平滑、可微分的碰撞规避约束？

主要发现

• 所提方法成功利用可微分凸 QP 求解，计算出圆柱体与填充多边形之间的可微分接近度值与最近点。
• 通过 QP 解的隐式微分，计算出接近度值相对于圆柱体与多边形配置的梯度，从而支持反向传播。
• 该方法已成功集成至 ALTRO 轨迹优化器中，生成了一条可行且最优的轨迹，成功避开了静止圆柱体的碰撞。
• 在 Julia 中开源的实现（DiffPills.jl）支持可复现性，并可轻松集成至机器人学研究工作流中。
• 可微分碰撞检测使得在基于梯度的学习与控制中使用如圆柱体与填充多边形等表达能力强的基元成为可能，克服了球形避让区域的局限性。
• 该方法在碰撞边界处仍能保持平滑、连续的梯度，从而在非光滑接触场景中实现稳定优化。