内容摘要
近距离双臂运动需要兼顾几何精度与可微性：传统几何检查器难以嵌入梯度式模型预测控制，保守代理几何又可能限制紧密交互。作者提出PI-UDF，直接学习机械臂之间的有符号距离。
方法以解析正向运动学、可学习连杆嵌入与共享残差网络预测连杆对距离；通过配额驱动的边界采样和非对称边界跨越惩罚，重点抑制将接触或穿透误判为安全的错误，再将距离场接入非线性模型预测控制。
在作者的固定基座双Franka静态测试中，同为50轮训练，PI-UDF与作者复现的主动数据PairwiseNet相比，漏检率为6.83%对16.47%，安全关键区域平均绝对误差为2.33对2.38厘米；同工作站训练耗时为27.8对138分钟，后者不含几何编码器预训练。
真机双臂交换记录中，模型预测与离线Drake/FCL回放的最小间距分别为6.04和7.24厘米，均高于5厘米阈值。但该阈值属于软代价，而非硬碰撞约束；结果限于所测固定布局。
点评
为固定工作单元中的双臂规划提供可微的实体间距信号，并展示了边界监督与闭环控制结合的路径。
证据来自作者论文及其内部基线复现，不是独立研究复现。跨布局仍需相应训练；软间距代价不构成硬安全保证，求解耗时也不代表硬实时保证。
版本与核查范围
版本 2610.12404v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#abstract1.1；#abstract1.1；#abstract1.1；#S2.SS3.SSSx2.p1.1；#S3.SS3.SSSx1.p3.1；#S3.SS3.SSSx3.p1.1；figcaption[116]；#S3.SS2.SSS2.p1.1；#S5.SS2.p2.1；#S3.SS1.SSS1.p2.1；#S5.SS1.p4.1