Humanoid Hanoi: Investigating Shared Whole-Body Control for Skill-Based Box Rearrangement
Collaborative Robotics and Intelligent Systems Institute, Oregon State University(协作机器人与智能系统研究所,俄勒冈州立大学)
本文提出了一种基于共享全身控制器的技能型方块重组框架,通过数据聚合提升长时域鲁棒性,并在Humanoid Hanoi基准上验证了其有效性。
2026-10-14 cs.RO
Embodied Scene Rearrangement Planning
School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院)
本文提出具身场景重排规划(ESRP)新任务,构建含5400+场景对的ESRP-Bench基准,评估四类方法发现现有方法难高效完成,为智能体现实部署奠定基础。
2026-08-28 cs.RO
Dynamic Buffers: Cost-Efficient Planning for Tabletop Rearrangement with Stacking
Human and Robot Interaction Laboratory, School of Electrical and Computer Engineering, University of Tehran(人类与机器人交互实验室,电气与计算机工程学院,塔里班大学)
针对桌面整理中固定缓冲与静态堆叠导致的低效问题,提出 Dynamic Buffer 可移动临时堆叠规划原语,显著降低密集和大规模场景的机械臂移动成本。
2026-09-29 cs.AI cs.RO
Stackelberg Strategic Guidance for Heterogeneous Robots Collaboration
New York University(纽约大学);Rutgers University(罗格斯大学)
本文提出基于Stackelberg博弈的框架,通过计算反馈Stackelberg均衡为单向通信下的异构机器人提供策略指导,提升了多物体重排任务的效率与鲁棒性。
2022-02-03 cs.RO
Virtues of Ordered Chaos: Planning with Topple Actions in Tabletop Stack Rearrangement
School of Computing at the Australian National University(澳大利亚国立大学计算学院)
本文研究了桌面环境中堆叠重构任务,通过引入更丰富的非抓取聚合动作(特别是从堆叠中倒落物体到桌面的Topple动作)来增强任务规划领域。核心方法是提出一种新的Topple聚合工具,将候选任务计划计算转化为 Pebble Motion 问题变体,从而在IsaacSim物理模拟中验证了其效果,展示了在执行速度上的显著优势。
2026-05-18 cs.AI cs.RO
Rubik Tables and Object Rearrangement
Rutgers, the State University of New Jersey(罗格斯大学,新泽西州立大学)
大量的机器人应用需要重新布置许多移动对象,例如,组织货架上的产品、在装运港口移动集装箱、重新配置移动机器人的车队等等。为了提高为解决这些重新排列问题而设计的系统的吞吐量,必须最小化原子操作的数量,例如,对单个物体的挑选。然而,由于对象之间复杂的相互依赖性,特别是在高密度设置中,这种优化任务构成了相当困难的挑战。在解决上述挑战,我们开发了一种新的算法工具,魔方表,提供了一个干净的抽象对象重排问题的代理问题的洗牌存储在一个表或格。在其基本形式中,魔方表是包含$n^2$项的$n\times n$表。我们表明,在这样一个魔方表中的项目的重新配置可以实现使用最多$2n$列/行洗牌在部分标记的设置,其中每列(分别,行)混洗可以任意地置换存储在列中的项目(分别,行)的表。当项目完全可区分时,需要进行额外的$n$洗牌。魔方表允许许多概括,例如,到更高的维度利用魔方表,我们设计了一种求解堆栈重排问题的第一个常数因子优化算法。我们表明,对于$nd$项目存储在$n$堆栈的深度$d$每个,使用一个空堆栈作为交换空间,$O(nd)$堆栈弹出推送操作是足够的任意重新配置的堆栈,其中$d \le n^{\frac{m}{2}}$为任意固定的$m >0$。魔方表的结果还允许开发常数因子的最佳解决方案,以解决极端机器人密度下的多机器人运动规划问题。这些算法基于Rubik Table结果,在低多项式时间内运行.
2023-01-17 cs.DS cs.RO
Lazy Rearrangement Planning in Confined Spaces
Rutgers University, The State University of New Jersey(罗格斯大学,新泽西州立大学)
对象重排对于许多应用是重要的,但仍然具有挑战性,特别是在诸如货架的有限空间中,其中对象不能从上方访问并且它们阻碍彼此的可达性。这样的约束需要许多运动规划和碰撞检查调用,这在计算上是昂贵的。此外,排列空间随着对象的数量呈指数增长。为了解决这些问题,这项工作引入了一个懒惰的评价框架,局部单调求解器和全局规划器。单调实例是那些可以通过移动每个对象最多一次来解决的实例。一个关键的见解是,在对象的开始和目标的把握可达性约束可以快速揭示对象之间的依赖关系,而不必执行昂贵的运动规划查询。考虑到这一点,局部求解器会延迟地构建一个搜索树,该搜索树遵守这些可达性约束,而不验证臂路径是否无冲突。该框架只在找到有希望的解时进行碰撞检查,如果没有找到单调解,非单调规划器加载惰性搜索树,并探索如何将对象移动到中间位置,从那里可以找到目标的单调解。结果表明,该框架可以解决最多16个对象的受限空间中的困难实例,这是最先进的方法无法解决的。当替代方案找到解决方案时,它也比替代方案更快地解决问题。它还实现了高质量的解决方案,即,对于非单调实例,平均仅需要1.8个附加动作。
2022-10-12 cs.AI cs.RO
Shelving, Stacking, Hanging: Relational Pose Diffusion for Multi-modal Rearrangement
Massachusetts Institute of Technology(麻省理工学院);NVIDIA(英伟达);Improbable AI Lab(Improbable AI实验室)
本文提出基于关系位姿扩散的多模态物体重排系统,通过迭代位姿去噪和局部几何条件化,在仿真与真实环境中实现对新物体形状、位姿及场景布局的精确泛化。
2023-07-10 cs.CV cs.LG cs.RO
High-Quality Tabletop Rearrangement with Overhand Grasps: Hardness Results and Fast Methods
Rutgers, the State University of New Jersey(罗格斯大学新泽西州立大学)
研究了一类在实际应用中经常出现的对象重排问题的组合结构。这些问题涉及放置在平坦的水平表面上的多个相似几何形状的物体,机器人可以从上面接近它们并执行拾取和放置操作来重新排列它们。本文考虑了开始和目标对象姿势重叠的情况,以及它们不重叠的情况。对于重叠姿态,主要目标是最小化拾取和放置动作的数量,然后最小化末端执行器行进的距离。对于非重叠的情况,目标仅仅是最小化末端执行器距离。虽然这些问题不涉及一般重排的所有复杂性,但在这两种情况下,它们仍然是计算上的困难挑战。这是通过良好理解,硬组合的挑战和这些重排问题之间的双向减少。减少的好处是,有很好的研究算法来解决这些完善的组合挑战。这些算法在实践中可以是非常有效的,尽管硬度的结果。本文建立在这些减少的结果,提出了一个算法流水线处理的重排问题。实验评估表明,该管道实现了高质量的路径方面的优化目标。此外,它表现出非常理想的可扩展性的对象的数量增加,在重叠和非重叠的设置。
2017-06-20 cs.RO
Planning for Tabletop Object Rearrangement
Contextual Robotics Institute, UC San Diego(加州大学圣地亚哥分校上下文机器人研究所)
针对桌面物体重排规划中orla*算法可扩展性不足的问题,提出一种改进状态表示并采用增量目标尝试与惰性评估的增强型A*算法,在保持解质量的同时提升了可扩展性,使固定和移动机器人能在更短时间内获得更优解。
2024-11-16 cs.RO
Fast High-Quality Tabletop Rearrangement in Bounded Workspace
Rutgers University(罗格斯大学);Cornell University(康奈尔大学)
在本文中,我们研究的问题,重新安排许多对象在一个杂乱的设置使用上手掌握在桌面上。有效的解决方案,捕捉我们每天解决的常见任务,对于实现真正的智能机器人操作至关重要。在给定的实例中,对象可能需要被放置在临时位置(“缓冲区”)以完成重新布置,但是在杂乱的环境中分配这些缓冲区位置可能是非常具有挑战性的。为了解决这一挑战,首先开发了两步基线规划器,该基线规划器基于由对象的起始和目标姿态引起的固有组合约束生成原始规划,然后在原始规划的帮助下选择缓冲器位置。然后,我们采用了“懒惰”的规划,在树搜索框架,这是进一步加快了适应一种新的预处理例程。仿真实验表明,我们的方法可以快速生成高质量的解决方案,并在解决大规模的情况下比现有的国家的最先进的方法更强大。资料来源:github.com/arc-l/TRLB
2021-10-24 cs.RO
Mobile Manipulation Planning for Tabletop Rearrangement
针对移动机器人在桌面重排中因移动限制导致的低效问题,提出允许单站立位置执行多操作并引入状态重探索的规划策略,显著提升解质量与规划速度。
2025-05-24 cs.RO
Push-Placement: A Hybrid Approach Integrating Prehensile and Non-Prehensile Manipulation for Object Rearrangement
Human and Robot Interaction Laboratory(人机交互实验室);School of Electrical and Computer Engineering(电气与计算机工程学院);University of Tehran(德黑兰大学)
本文提出push-placement方法,通过整合抓取与非抓取操作,减少机械臂移动成本,提升长周期物体重新排列任务的效率。
2026-02-14 cs.RO
Optimal and Stable Multi-Layer Object Rearrangement on a Tabletop
Rutgers, the State University of New Jersey(罗格斯大学,新泽西州立大学)
首次对桌面多层物体重排(MORT)问题进行算法研究,提出结合整数线性规划与稳定性检查的SIPP算法,能最优且稳定地求解60个以上构建块的3D重排问题,性能显著优于贪婪方法。
2023-06-30 cs.RO
Complexity Results and Fast Methods for Optimal Tabletop Rearrangement with Overhand Grasps
研究了一类在实际应用中经常出现的对象重排问题的组合结构。这些问题涉及放置在平坦的水平表面上的多个相似几何形状的物体,机器人可以从上面接近它们并执行拾取和放置操作来重新排列它们。本文考虑了开始和目标对象姿势重叠的情况,以及它们不重叠的情况。对于重叠姿态,主要目标是最小化拾取和放置动作的数量,然后最小化末端执行器行进的距离。对于非重叠的情况,目标仅仅是最小化末端执行器的行进距离。虽然这些问题不涉及一般重排的所有复杂性,但在这两种情况下,它们仍然很难计算。这是通过减少这些重排问题的理解,硬组合的挑战。的减少也被证明持有在相反的方向,这使得方便的应用程序重新安排研究的算法。这些算法在实践中可以是非常有效的,尽管硬度的结果。本文建立在这些减少的结果,提出了一个算法流水线处理的重排问题。实验评估(包括基于硬件的试验)表明,所提出的管道计算出了与优化目标相关的高质量路径。此外,它表现出非常理想的可扩展性的对象的数量增加,在重叠和非重叠的设置。
2017-11-17 cs.RO
MO-SeGMan: Rearrangement Planning Framework for Multi Objective Sequential and Guided Manipulation in Constrained Environments
LIRA Lab, Bilkent University, Turkey(比尔肯大学LIRA实验室,土耳其);LIS Lab, TU Berlin, Germany(柏林技术大学LIS实验室,德国);Department of Computer Engineering, Bilkent University(比尔肯大学计算机工程系)
本文提出MO-SeGMan框架,通过惰性评估最小化重规划与移动距离,结合选择性引导前向搜索和自适应子目标细化方法,高效解决高度受限的复杂重排规划问题,在九项基准任务中实现更快的求解速度与更优的解质量。
2025-11-03 cs.AI cs.RO
Structural Concept Learning via Graph Attention for Multi-Level Rearrangement Planning
Purdue University(普渡大学)
提出 Structural Concept Learning (SCL),利用图注意力网络执行多层次物体重排规划,通过场景理解推断子结构实现多机械臂并行化,在性能、灵活性和效率上优于基线方法并泛化至真实世界。
2023-09-05 cs.AI cs.LG cs.RO
ORLA*: Mobile Manipulator-Based Object Rearrangement with Lazy A Star
本文提出ORLA*方法,利用惰性A*搜索同时优化末端执行器与移动底座运动,结合机器学习处理堆叠稳定性,实现移动机械臂多物体重排的全局最优求解。
2024-10-20 cs.AI cs.LG cs.RO
Fully Packed and Ready to Go: High-Density, Rearrangement-Free, Grid-Based Storage and Retrieval
Computer Science Dept., Rutgers University(计算机科学系,罗格斯大学)
本文研究基于网格的密集存储与检索问题,证明在负载可自由移动的场景下,即使满载,对于有限先验知识或窄开口网格均存在免重排方案,并得出当序列完全已知时当且仅当开口侧至少3个单元格宽时即可避免重排的结论。
2025-05-28 cs.DS cs.RO
"Tidy Up the Table": Grounding Common-sense Objective for Tabletop Object Rearrangement
National University of Singapore(新加坡国立大学)
本文提出将桌面整洁概念分解为语义与视觉-空间整洁,结合LLM策略生成器和基于合成数据训练的整洁度评分函数,实现无需人类示范的桌面物体重排。
2023-09-17 cs.AI cs.RO
CREST: Constraint-Release Execution for Multi-Robot Warehouse Shelf Rearrangement
Simon Fraser University(西蒙菲莎大学);HEC Montréal(蒙特利尔高等商学院);Purdue University(普渡大学)
CREST通过在执行过程中主动释放轨迹约束,提升了多机器人仓库货架重排的连续性与效率,实验表明其在减少机器人行驶时间、总执行时间和货架切换次数方面表现优异。
2026-03-27 cs.AI cs.MA cs.RO
Double-Deck Multi-Agent Pickup and Delivery: Multi-Robot Rearrangement in Large-Scale Warehouses
Simon Fraser University(西蒙弗雷泽大学)
本研究提出自动化仓库多机器人货架重排的DD-MAPD问题,证明其NP难,设计MAPF-DECOMP分解框架及优化方法,可快速求解上千货架、数百智能体的大规模实例。
2023-04-27 cs.AI cs.MA cs.RO
Symbolic Planning and Multi-Agent Path Finding in Extremely Dense Environments with Unassigned Agents
本文提出五种基于搜索的算法,用于解决在极度密集环境中无分配代理的多智能体路径寻找问题,通过图搜索方法高效生成重新排列计划。
2026-01-08 cs.AI cs.MA cs.RO
Rearrange Indoor Scenes for Human-Robot Co-Activity
Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院);Peking University(北京大学)
我们提出了一个基于优化的框架,重新安排室内家具,以更好地适应人类和机器人的合作活动。重新安排的目的是为机器人活动提供足够的可访问空间,而不影响人类的日常活动。为了保留人类的活动,我们的算法保留家具之间的功能关系,通过整合空间和语义共现提取SUNC G和ConceptNet,分别。通过定义机器人的可访问空间的开放空间的量,它可以遍历和它可以达到的对象的数量,我们制定的重排为人类-机器人的合作活动作为一个优化问题,解决自适应模拟退火(ASA)和协方差矩阵自适应演化策略(CMA-ES)。我们在SUCG数据集上的实验定量地表明,重新排列的场景平均提供了14%的可访问空间和30%的可交互对象。重新排列的场景的质量是定性验证的人类研究,表明所提出的策略的有效性。
2023-03-10 cs.AI cs.RO
Object Placement on Cluttered Surfaces: A Nested Local Search Approach
Sabancı University(萨班哲大学)
为了规划杂乱中的对象的重新布置,需要知道对象的目标配置。然而,在现实生活中,这些信息在大多数情况下是不可用的。我们介绍了一种新的方法,计算一个无碰撞放置的对象在一个杂乱的表面上,同时最大限度地减少现有的可移动对象的位移的总数和量。我们的方法应用嵌套的本地搜索,执行多目标优化的指导下,算法。实验结果表明,我们的方法具有较高的计算效率和成功率,以及良好的解决方案的质量。
2019-06-20 cs.AI cs.RO