Relaxed-Rigidity Constraints: Kinematic Trajectory Optimization and Collision Avoidance for In-Grasp Manipulation
University of Utah Robotics Center（犹他大学机器人中心）；School of Computing, University of Utah（犹他大学计算机学院）
本文提出了一种新的方法来执行掌握操作：移动的问题，从一个初始姿势的手掌参考对象的目标姿势，而不中断或进行接触。我们的方法来执行掌握操纵使用运动学轨迹优化，不需要知道的动态特性的对象。我们实现了我们的方法在Allegro机器人手，并进行了彻底的实验，从YCB数据集的10个对象。然而，所提出的方法是足够一般的机器人可以抓住的大多数物体产生的运动。实验结果支持其在各种物体形状上应用的可行性。我们探索我们的方法，包括避免碰撞和关节空间平滑成本的适应性，以额外的任务要求。抓取的物体通过使用带符号的距离成本函数来避免与环境的碰撞。我们通过要求平滑的关节轨迹来减少未建模对象动态的影响。我们还通过制定对象姿态反馈控制器来补偿轨迹执行过程中遇到的误差。
2018-06-09 cs.RO
A Comparative Analysis of Contact Models in Trajectory Optimization for Manipulation
Northeastern University（东北大学）
本文分析了接触模型对接触隐式轨迹优化的影响。我们考虑了三种不同的方法：（1）基于互补约束的接触模型，（2）光滑接触模型，以及我们提出的方法（3）可变光滑接触模型。我们比较这些模型在模拟中的物理精度，运动质量和计算时间。在每种情况下，通过将所有扭矩变量设置为零来初始化优化过程，即，没有有意义的初始猜测。对于模拟，我们考虑了不同的复杂性为7度的自由度的机器人手臂的推动任务。我们的结果表明，所提出的可变光滑接触模型的基础上的优化提供了一个很好的权衡之间的物理保真度和运动质量的成本增加计算时间。
2018-07-30 cs.RO
Constraint-based Task Specification and Trajectory Optimization for Sequential Manipulation
Siemens Technology（西门子科技）
为了经济地部署机器人操作器，机器人运动的编程和执行必须迅速。为此，我们提出了一种新的，基于约束的方法来直观地指定顺序操作任务，并计算时间最优的机器人运动这样的任务规范。我们的方法遵循基于约束的任务规范的思想，旨在为一个最小的和以对象为中心的任务描述，在很大程度上是独立的底层机器人运动学。我们把这个任务描述成一个非线性优化问题。通过解决这个问题，我们得到一个（本地）时间最优的机器人运动，不只是一个单一的运动，但整个操作序列。我们证明了我们的方法在一系列实验中的能力，涉及五个不同的机器人模型，包括一个高度冗余的移动机械手。
2022-08-19 cs.RO
Multi-finger Manipulation via Trajectory Optimization with Differentiable Rolling and Geometric Constraints
University of Michigan（密歇根大学）；Honda Research Institute USA（美国本田研究所）
本文提出融合物体 SDF 与采样的可微接触、滚动约束轨迹优化方法，处理复杂几何下的多指灵巧操作，并在基准与真实任务中验证其优于基线且可跨越 sim2real 差距。
2024-12-10 cs.RO
A Novel Planning Framework for Complex Flipping Manipulation of Multiple Mobile Manipulators
Shanghai Jiao Tong University（上海交通大学）；Hong Kong University of Science and Technology（香港科技大学）；Great Bay University（大湾区大学）
针对多移动机械臂在闭链约束下的构型不连通问题，提出将轨迹覆盖选择建模为集合覆盖的三步规划框架，以判断无重抓可行性或最小化重抓次数。
2024-10-25 cs.RO
Contact-Implicit Trajectory Optimization for Dynamic Object Manipulation
ETH Zurich（苏黎世联邦理工学院）；Robotic Systems Lab（机器人系统实验室）
我们提出了一个接触隐式优化（CIO）的方法，计算最佳轨迹的刚体系统在接触丰富的设置。硬接触模型，并施加单边约束的形式的互补条件。采用牛顿碰撞定律，增强了物理正确性。最优控制问题是通过一个多射击计划制定为一个多阶段的计划。这个问题的结构中利用FORCES Pro框架检索最佳的运动计划，接触序列和控制输入，提高计算效率。我们调查我们的方法对各种动态对象的操作任务，由六个自由度机器人。最优轨迹的动态可行性，以及任务满意度的可重复性和准确性通过仿真和实际硬件实验的操作问题之一进行了验证。
2021-03-01 cs.RO
Global Sampling-Based Trajectory Optimization for Contact-Rich Manipulation via KernelSOS
Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）；Inria, Département d’informatique de l’ENS, CNRS, PSL Research University（法国国家科学研究中心（CNRS）、巴黎高等师范学院（ENS）和PSL研究大学的Inria）
本文提出Global-MPPI框架，结合全局探索与局部优化，解决接触密集操作中的高维、长时域问题，实验显示其收敛更快且成本更低。
2026-04-29 cs.RO
Contact-Implicit Trajectory Optimization with Hydroelastic Contact and iLQR
University of Notre Dame（圣母大学）
接触隐式轨迹优化为机器人的操作和运动提供了一种自动生成复杂和接触丰富的行为的方法。然而，这种技术的可扩展性受到确保数值可靠性和物理真实性的挑战的限制。在本文中，我们提出了初步的结果表明，迭代线性二次调节器（iLQR）算法与最近提出的压力场为基础的水弹性接触模型，使可靠的和物理现实的轨迹优化通过接触。我们使用这种方法来合成接触丰富的行为，如四足动物的运动和整臂操纵。此外，Kinova Gen3机器人手臂上的开环回放证明了整个手臂操作轨迹的物理准确性。代码可以在https://bit.ly/ilqr_hc上找到，视频可以在https://youtu.be/IqxJKbM8_ms上找到。
2022-08-07 cs.RO
Hierarchical Optimization-based Control for Whole-body Loco-manipulation of Heavy Objects
University of Southern California（南加州大学）
本文提出一种基于分层优化的腿式机器人全身移动操作框架，通过在线规划操作力与轨迹、位姿优化及线性MPC控制，实现重物搬运与门操作，验证了全身优化的必要性。
2024-03-19 cs.RO
M2Diffuser: Diffusion-based Trajectory Optimization for Mobile Manipulation in 3D Scenes
School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院）；State Key Laboratory of General Artificial Intelligence, Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院通用人工智能国家重点实验室）；Center for Vision, Cognition, Learning, and Autonomy (VCLA), Statistics Department, University of California, Los Angeles (UCLA)（加州大学洛杉矶分校视觉、认知、学习与自主中心（VCLA）统计系）
提出M2Diffuser，一种基于扩散的生成模型，通过结合专家轨迹学习与可微优化模块，在3D场景中生成协调高效的移动操作轨迹，显著减少物理违规并优于现有神经规划器。
2024-10-15 cs.RO
Online state vector reduction during model predictive control with gradient-based trajectory optimisation
School of Computer Science, University of Leeds（利兹大学计算机学院）
针对高维系统非抓取操作轨迹优化规划耗时久的问题，提出随系统演化在线约简轨迹优化自由度的方法，在异步MPC仿真中验证其可降低策略滞后、提升整体性能且有效优化轨迹。
2024-09-12 cs.RO
Exploiting Null Space in Aerial Manipulation through Model-In-The-Loop Motion Planning
Faculty of Electrical and Computer Engineering, University of Zagreb（萨格勒布大学电气与计算机工程学院）
提出了一种在运动规划过程中考虑无人机动力学和机械臂零空间的飞行机械臂末端轨迹跟踪方法。所提出的方法分阶段进行。航迹规划首先不考虑欠驱动无人机系统的滚转角和俯仰角。其次，我们建议模拟这样的轨迹上的动力学，并通过模型获得无人机的姿态。以这种方式获得的完整的空中操纵器状态被进一步用于说明计划的和模拟的末端执行器状态的差异。最后，末端执行器位姿通过零空间的机械手，以匹配所需的末端执行器位姿轨迹规划中获得。此外，我们已经应用TOPP-RA的方法在无人机上调用微分平坦性原则。最后，通过实验测试验证了规划框架的有效性。
2022-04-28 cs.RO
Learning Tactile-Aware Quadrupedal Loco-Manipulation Policies
Purdue University（普渡大学）；Istituto Italiano di Tecnologia（意大利技术研究院）；Columbia University（哥伦比亚大学）
本文提出一种具有层次结构的触觉感知运动-操作策略学习框架，通过真实世界示范训练触觉条件的视觉-触觉高层策略，并结合大规模模拟强化学习学习能追踪多样指令轨迹和触觉交互的全身控制策略，提升接触丰富场景下的协调运动与操作性能。
2026-07-14 cs.RO
Trajectory Optimization for Self-Wrap-Aware Cable-Towed Planar Object Manipulation under Implicit Tension Constraints
Munich Institute of Robotics and Machine Intelligence, Technical University of Munich, Germany（慕尼黑机器人与机器智能研究所，慕尼黑技术大学，德国）；Department of Mechanical Engineering, Stony Brook University（石溪大学机械工程系）
本文提出了一种考虑隐式张力约束的自缠绕缆绳拖拽平面物体操控轨迹优化方法，通过构建放松层次解决路由与张力耦合问题，实现更高效的力矩传输。
2026-03-10 cs.RO
SplitAdapter: Load-Aware Humanoid Loco-Manipulation via Factorized Adaptation
Future Robot AI Group, Samsung Electronics（三星电子未来机器人人工智能组）
针对人形机器人在不同负载和高度下移动操作时负载变化与动力学不匹配的问题，提出SplitAdapter方法，通过冻结预训练策略并扩展负载与动力学感知编码器，结合分割世界模型目标、GRL交叉对抗正则化和分层特征线性调制，显著提升重载条件下的任务成功率。
2026-06-02 cs.RO
Diffusing Trajectory Optimization Problems for Recovery During Multi-Finger Manipulation
Robotics Department, University of Michigan（密歇根大学机器人系）；Honda Research Institute USA（本田美国研究院）
本文提出利用扩散模型检测多指操作中的不利状态并优化接触丰富的恢复轨迹，通过蒸馏加速在线执行，在硬件螺丝刀任务中提升性能96%，且是唯一能避免灾难性失败的恢复方法。
2025-10-08 cs.RO
Physics-Based Damage-Aware Manipulation Strategy Planning Using Scene Dynamics Anticipation
Jacobs University Bremen（不来梅雅各布大学）
我们提出了一种损伤感知规划方法，它确定了最佳的顺序来操纵场景中的一些对象。该方法在任务规划级别上工作，从运动规划中抽象出来，并使用物理仿真来预测场景的动态。而不是避免与环境的相互作用，我们考虑到其他对象的意外运动和计划的操作序列，最大限度地减少潜在的损害。我们的方法也可以用来作为一个验证措施，以判断计划的运动，其可行性方面的损害避免。我们评估我们的方法在一个工业场景（自主集装箱卸载）和一个零售场景（货架补货）。
2016-12-02 cs.RO
Visibility-aware Trajectory Optimization with Application to Aerial Tracking
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
目标的可见性决定了各种应用的性能甚至成功率，例如主动猛击、探索和目标跟踪。因此，在轨迹规划中，明确考虑目标的可见性是至关重要的。在本文中，我们提出了一个通用的度量目标可见性，考虑到观察距离和角度以及遮挡效应。我们制定这个指标到一个可微的可见性成本函数，空间轨迹和偏航可以联合优化。此外，这种可行性感知轨迹优化同时处理位置和偏航的动态可行性。为了验证我们的方法是实用和通用的，我们将其集成到一个定制的四旋翼跟踪系统。实验结果表明，我们的可行性感知规划器执行更强大，更好地观察目标。为了使相关研究受益，我们将代码公开。
2021-03-11 cs.RO
GASP: GPU-Accelerated Safe Planner for Real-Time Collision-Aware Motion Generation with Latent Trajectory Sampling
本研究提出GASP这一GPU加速安全规划器，结合隐式轨迹采样，可实现毫秒级碰撞感知关节空间运动生成，在机器人乒乓球任务中表现优异且大幅降低训练碰撞次数。
2026-08-06 cs.RO
Folding Deformable Objects using Predictive Simulation and Trajectory Optimization
Columbia University（哥伦比亚大学）
可变形物体的机器人操作仍然是一项具有挑战性的任务。一个这样的任务是自主地折叠衣服。给定开始和结束折叠位置，移动机器人手臂折叠衣服的最佳轨迹是什么？某些轨迹会导致服装移动，产生皱纹和间隙，其他轨迹将完全失败。我们提出了一种新的解决方案，以找到一个最佳的轨迹，避免这种问题的情况。通过在离线模拟器中最小化二次目标函数来优化轨迹，该目标函数包括衣服的材料特性和桌子上的摩擦力。该函数测量用户折叠形状与模拟中折叠服装之间的差异，然后将其用作误差测量以创建最佳轨迹。我们证明，我们的双臂机器人可以按照优化的轨迹，实现准确和有效的操纵变形物体。
2015-12-22 cs.RO
Building 3D Object Models during Manipulation by Reconstruction-Aware Trajectory Optimization
University of Utah（犹他大学）
物体形状为机器人操作提供了重要的信息;例如，选择有效的抓取取决于感兴趣物体的全局和局部形状，而进入混乱需要精确的表面几何形状，以避免与环境的意外接触。基于模型的3D对象操作是一个广泛研究的问题，然而，获得多个对象的准确的3D对象模型往往需要繁琐的工作。在这封信中，我们利用高斯过程隐式曲面（GPIS）从RGB-D传感器数据提取掌握一个未知的对象。我们提出了一种重建感知的轨迹优化，它利用提取的GPIS模型规划运动，以提高估计对象的3D几何形状的能力，同时执行拾取和放置动作。本文提出了一种机器人自主学习和跟踪目标的概率方法，同时实现了机器人的操作任务。我们使用基于采样的轨迹生成方法来探索使用GPIS模型的估计条件熵的对象的看不见的部分。我们验证了我们的方法与物理机器人实验在11个不同的对象的不同形状的YCB对象数据集。我们的实验表明，我们的重建感知轨迹优化提供了更高质量的三维物体重建相比，直接解决的操作任务或使用启发式查看看不见的部分的对象。
2019-05-10 cs.AI cs.CV cs.RO
Optimal Distributed Multi-Robot Communication-Aware Trajectory Planning using Alternating Direction Method of Multipliers
Technical University of Denmark（丹麦技术大学）
针对多机器人通信感知轨迹规划问题，提出基于预算交易分离通信约束并用一致性ADMM分布式求解的最优规划算法，且在巡检仿真中验证。
2024-08-09 cs.RO
LAGO Policy: Latency-Aware Asynchronous Diffusion Policies with Goal-Directed Collision-Free Planning for Smooth Manipulation
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；International Digital Economy Academy（国际数字经济学院）；The University of Hong Kong（香港大学）；Southern University of Science and Technology（南方科技大学）
提出LAGO策略，通过延迟感知条件引导和时空轨迹优化，解决异步扩散策略的间断和碰撞问题，实现平滑安全的操作。
2026-06-17 cs.RO
Foundation-Model-Guided Topology-Aware Semantic Risk Fields for Manipulation
Rice University（莱斯大学）；Ken Kennedy Institute at Rice University（莱斯大学肯·肯尼迪研究所）
本研究提出一种基础模型引导的拓扑感知语义风险场，通过方向性权重和测地衰减构建3D成本，用于操作规划，实验表明其能降低语义暴露，超越碰撞避免。
2026-09-30 cs.RO
ReCo: Response-Consistent Locomotion with Policy-Aware MPC for Legged Manipulation
National University of Singapore（新加坡国立大学）
ReCo通过响应塑形和闭环响应模型使MPC联合规划运动与手臂动作，在仿真中降低位置和方向误差28.7%和27.4%，并实现真实机载连续腿部操作。
2026-10-02 cs.RO
Let's Handle It: Generalizable Manipulation of Articulated Objects
Massachusetts Institute of Technology（麻省理工学院）
在这个项目中，我们提出了一个框架，用于构建从原始输入点云和分割掩模映射到关节速度的可推广的操纵控制器策略。我们采用了传统的机器人方法，使用点云处理，末端执行器轨迹计算，逆运动学，闭环位置控制器和行为树。我们展示了我们对常见家用物品的四种操作技能的框架，这些物品包括SAPIEN ManiSkill操作挑战。
2022-02-23 cs.RO
Dynamics-Compliant Trajectory Diffusion for Super-Nominal Payload Manipulation
Department of Computer Science University of Colorado Boulder（计算机科学系，科罗拉多大学博尔德分校）
针对统一额定负载约束过度保守的问题，提出将负载约束显式纳入去噪扩散模型的轨迹生成方法，实现常数时间输出可直接执行的动力学可行轨迹，并在Franka Emika Panda上验证3倍额定负载下仍可达67.6%工作空间。
2025-08-29 cs.RO
Communication-Aware Asynchronous Distributed Trajectory Optimization for UAV Swarm
Beijing Institute of Aerospace Systems Engineering（航天系统工程研究院）
针对通信受限环境下无人机集群分布式轨迹规划部署难的问题，提出融合PDDP与async-ADMM的CA-ADTO双层框架，可降低通信开销，有效处理非线性动力学与时空耦合问题。
2025-11-19 cs.RO
RALTPER: A Risk-Aware Local Trajectory Planner for Complex Environment with Gaussian Uncertainty
Southeast University（东南大学）
本研究针对高斯不确定性复杂环境下的自动驾驶车辆，提出风险感知局部轨迹规划器RALTPER，通过结合概率风险评估与非线性优化实现避碰，经多场景仿真验证其在狭窄区域等场景下的规划安全性与效率更优。
2024-08-11 cs.RO
Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment
本文提出由径向基函数网络指导的运动规划框架，结合RBFN候选轨迹生成、碰撞概率评估与轨迹优化，在城市驾驶场景中提升风险感知并减少车辆限制违规，确保安全与可解释性。
2026-07-30 cs.RO
SafeBimanual: Diffusion-based Trajectory Optimization for Safe Bimanual Manipulation
Nanyang Technological University（南洋理工大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
针对基于扩散的双臂操作策略忽略物理安全约束的问题，提出SafeBimanual测试时轨迹优化框架，通过设计代价函数和视觉语言模型调度约束，提升双臂操作安全性与成功率。
2025-08-25 cs.AI cs.RO
Hierarchical Contact-Rich Trajectory Optimization for Multi-Modal Manipulation using Tight Convex Relaxations
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
针对富接触操作轨迹设计需同时推理轨迹与接触序列的难题，提出结合MILP接触选择与NLP轨迹优化的分层框架，通过二进制编码凸松弛提升MILP性能，经多任务与硬件实验验证兼具交互推理能力与计算优势。
2025-03-12 cs.AI cs.RO cs.SY
Trajectory Planning and Control for Robotic Magnetic Manipulation
Department of Electrical Engineering and Automation, School of Electrical Engineering, Aalto University（电气工程与自动化系，电气工程学院，阿alto大学）；Faculty of Engineering and Natural Sciences, Automation Technology and Mechanical Engineering, Tampere University（工程与自然科学学院，自动化技术与机械工程，塔尔基大学）
提出一种结合动力学与导航要求的磁操作轨迹规划与控制方法，采用约束迭代线性二次调节器优化EPM和IPM轨迹，实现高精度控制。
2024-11-22 cs.RO cs.SY eess.SY
Chance-Constrained Optimization in Contact-Rich Systems for Robust Manipulation
University of California, Los Angeles（加州大学洛杉矶分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
提出了一种基于机会约束的操纵鲁棒轨迹优化方法。特别是，我们提出了一个随机离散时间线性互补系统（SDLCS）的机会约束优化。为了解决这一优化问题，我们提出了机会约束混合二次规划（MIQPCC）。在我们的配方中，我们明确考虑联合机会约束互补性，以及国家捕捉随机演化的动态。我们评估我们的优化轨迹在几个系统上的仿真鲁棒性。所提出的方法优于最近的一些方法的鲁棒轨迹优化SDLCS。
2022-03-05 cs.AI cs.RO
Control and Trajectory Optimization for Soft Aerial Manipulation
Massachusetts Institute of Technology（麻省理工学院）
利用无人驾驶飞行器（UAV）的操纵和抓取目前需要精确定位，并且通常以降低的速度执行以确保成功抓取。这是因为典型的UAV只能容纳具有很少自由度的刚性操纵器，这限制了它们补偿由飞行器定位误差引起的干扰的能力。此外，UAV必须最小化外部接触力以保持稳定性。另一方面，生物系统利用柔软性来克服类似的限制，并利用顺应性来实现积极的抓握。针对一种由四旋翼和柔性夹持器组成的柔性空中机械手，研究其控制和轨迹优化问题，充分发挥柔性的优势。据我们所知，这是第一个在软操纵和无人机控制之间的交叉点的工作。我们提出了一种解耦的方法，四旋翼和软夹持器，结合（i）的几何控制器和最小的捕捉轨迹优化的四旋翼（刚性）基地，与（ii）准静态有限元模型和控制空间插值的软夹持器。我们证明了几何控制器渐近稳定的四旋翼的速度和姿态，尽管增加了软负载。最后，我们评估所提出的系统在一个现实的软动力学模拟器，并表明：（i）的几何控制器是相当不敏感的软有效载荷，（ii）的平台可以可靠地抓住未知的对象，尽管不准确的定位和初始条件，和（iii）解耦控制器是适合实时执行。
2021-11-23 cs.RO cs.SY eess.SY
Physics-Driven Data Generation for Contact-Rich Manipulation via Trajectory Optimization
Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（计算机科学与人工智能实验室（CSAIL），麻省理工学院）；Robotics and AI Institute（机器人与人工智能研究院）
本研究提出了一种结合物理仿真和轨迹优化的方法，通过生成多样化高质量数据集，提升接触密集操作任务的机器人性能。
2026-01-07 cs.AI cs.LG cs.RO
Constraint-Aware Diffusion Models for Trajectory Optimization
Princeton University（普林斯顿大学）；Vertaix（维泰克斯公司）
本文提出一种用于轨迹优化的约束感知扩散模型，通过引入新型混合损失函数在恢复数据分布的同时最小化约束违例，有效降低了预测误差导致的碰撞等问题，在桌面操作和双车reach-avoid任务中表现优于传统方法。
2024-06-03 cs.LG cs.RO
Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation
Guangzhou University（广州大学）；University of Science and Technology of China（中国科学技术大学）；Northwestern Polytechnical University（西北工业大学）
提出针对容错感知操纵的与规划器无关攻击框架，通过运动学占用热图刻画机器人能力，将攻击设为预算最大覆盖优化，实验表明该方法能可靠引发规划失败，优于基线。
2026-07-07 cs.CR cs.RO
EMATO: Energy-Model-Aware Trajectory Optimization for Autonomous Driving
University of Delaware（特拉华大学）；CAR Lab（CAR实验室）
针对自动驾驶轨迹规划不感知能量模型、缺乏能效证明的问题，提出EMATO在线非线性规划方法，结合交通轨迹与坡度预测优化Frenet多项式轨迹，经多类实验在轿车和卡车模型上验证了能效提升效果。
2024-12-12 cs.RO cs.SY eess.SY
DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools
Carnegie Mellon University（卡内基梅隆大学）；UC San Diego（加州大学圣地亚哥分校）；MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
我们考虑的问题，顺序机器人操作的可变形物体使用工具。以前的工作已经表明，可微物理模拟器提供梯度的环境状态，并帮助轨迹优化收敛的数量级更快比无模型强化学习算法的变形对象操作。然而，这种基于梯度的轨迹优化通常需要访问完整的模拟器状态，并且由于局部最优而只能解决短期的单技能任务。在这项工作中，我们提出了一个新的框架，名为DiffSkill，它使用一个可微的物理模拟器的技能抽象来解决长期的可变形对象操作任务从感官观察。特别是，我们首先使用基于梯度的优化器中的单个工具获得短期技能，使用可微模拟器中的完整状态信息;然后我们从以RGBD图像为输入的演示轨迹中学习神经技能抽象器。最后，我们通过找到中间目标来规划技能，然后解决长期任务。我们展示了我们的方法的优势，在一组新的顺序可变形对象操作任务相比，以前的强化学习算法相比，轨迹优化。
2022-03-31 cs.CV cs.GR cs.LG
Interaction-Aware Trajectory Prediction and Planning in Dense Highway Traffic using Distributed Model Predictive Control
Chalmers University of Technology（查尔姆斯理工大学）
针对密集交通中自动驾驶车辆的最优轨迹规划问题，提出一种结合分布式模型预测控制、耦合多智能体环境下轨迹预测与规划的新型框架，经仿真验证，其局部最优解优于解耦的预测规划方法。
2023-08-24 cs.RO cs.SY eess.SY
Estimation-Aware Trajectory Optimization with Set-Valued Measurement Uncertainties
Department of Aeronautics and Astronautics（航空与航天系）；University of Washington（华盛顿大学）
针对状态依赖的集值测量不确定性，提出基于优化的估计感知轨迹生成框架，利用凹的集值可观测性测度和输出正则性进行规划，并通过视觉估计与非合作卫星交会示例验证有效性。
2025-05-10 cs.RO cs.SY eess.SY
ManiCast: Collaborative Manipulation with Cost-Aware Human Forecasting
Cornell University（康奈尔大学）
提出ManiCast框架，通过学习成本感知的人类运动预测并输入模型预测控制规划器，解决近距离人机协作操作中关键过渡点预测误差高的问题，实现7自由度机械臂与人类的流畅实时交互。
2023-11-27 cs.AI cs.LG cs.RO
Battery-Aware Predictive Trajectory Planning and Control for Multirotors Under Disturbances
University of Dayton（代顿大学）
本文提出电池感知的预测轨迹规划框架，通过闭环车辆-电机-电池传播评估候选轨迹，在扰动任务中减少7.46%能耗和72%跟踪误差，并揭示电池状态与控制器选择对轨迹的影响。
2026-09-14 cs.RO cs.SY eess.SY
Achieving Autonomous Cloth Manipulation with Optimal Control via Differentiable Physics-Aware Regularization and Safety Constraints
University of California San Diego（加州大学圣地亚哥分校）
本文提出基于XPBD的可微布料动力学框架，结合轨迹平滑与弹性势能正则化及SDF安全约束，将布料操作建模为可微约束优化问题，并在手术机器人上验证了轨迹可行性。
2023-09-20 cs.RO cs.SY eess.SY
Decoupled limbs yield differentiable trajectory outcomes through intermittent contact in locomotion and manipulation
University of Washington（华盛顿大学）
当肢体解耦时，我们发现，在机械系统中的轨迹结果受到单边约束的初始条件的不同而不同，即使接触模式序列的变化。
2017-05-23 cs.RO
Local Trajectory Stabilization for Dexterous Manipulation via Piecewise Affine Approximations
Massachusetts Institute of Technology（麻省理工学院）
我们提出了一个基于模型的方法来设计灵巧机器人操作的反馈策略。针对一类非光滑非线性系统，将操纵问题转化为从初始状态到达目标区域的问题。首先，我们使用轨迹优化来找到一个可行的轨迹。接下来，我们将轨迹周围的局部多接触动力学表征为分段仿射系统，并使用多面体围绕标称轨迹的线性化构建漏斗。我们证明了在线性化附近的反馈控制器是保证驱动非线性系统的目标区域。在在线执行期间，我们求解线性规划来跟踪系统轨迹。我们在硬件上验证了算法，表明即使在大的外部干扰下，控制器也能够完成任务。
2020-05-21 cs.RO
Simultaneous Trajectory Optimization and Contact Selection for Multi-Modal Manipulation Planning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室（MERL））
针对复杂灵巧操作的多接触变化需求，提出结合STOCS接触隐式优化与采样式树生长规划的混合操作规划器，仅需几十次采样即可生成含抓取、滑动、枢转的多模态轨迹，并经6自由度机械臂验证有效。
2023-06-10 cs.RO
Trajectory-Level Continuous Action Representation for Robotic Manipulation
Fudan University（复旦大学）；TeleAI, China Telecom（中国电信TeleAI）
该研究提出CAT轨迹级连续动作表示框架，通过频率感知位置编码等技术解决现有视觉运动系统的动作表示冗余问题，在LIBERO等数据集上显著提升机器人操作任务成功率。
2026-08-27 cs.RO
HRT1: One-Shot Human-to-Robot Trajectory Transfer for Mobile Manipulation
University of Texas at Dallas（德克萨斯大学达拉斯分校）；XPeng（小鹏）
提出一种四模块人机轨迹迁移系统，使机器人通过一次演示视频学习并迁移移动操作任务，在不同环境中重复执行，实验验证了其有效性。
2025-10-23 cs.RO
DreamTrajectory: Trajectory-Guided Action Generation with World Model Alignment for Mobile Manipulation
DreamTrajectory是面向移动操作的轨迹引导框架，通过联合预测末端执行器轨迹与全身动作块、结合轨迹世界模型的测试时细化，在MS-HAB及真实任务中大幅提升操作成功率。
2026-08-26 cs.RO
Kinematic Nonlinear Spatio-Temporal Trajectory Warping for Contact-Rich Dexterous Manipulation Demonstrations
Carnegie Mellon University（卡内基梅隆大学）
提出一种利用接触分布进行非线性时空轨迹扭曲的方法，可重利用接触丰富的灵巧操作演示，生成考虑路点、障碍和时间偏移的高质量轨迹，并在公开数据集上验证了其有效性和泛化性。
2026-09-30 cs.RO
An Adaptive Framework for Reliable Trajectory Following in Changing-Contact Robot Manipulation Tasks
Sunrise Setting Ltd（日出设置有限公司）；SAGE Publications Ltd（SAGE出版有限公司）；University of Birmingham（伯明翰大学）；Honda Research Institute Europe GmbH（本田欧洲研究院有限公司）
我们描述了一个框架，改变接触机器人操作任务，需要机器人与物体和表面接触和断开。这种任务的不连续的交互动力学使得难以构建和使用单个动力学模型或控制策略，并且在接触变化期间动力学的高度非线性性质可能对机器人和物体造成损害。我们提出了一个自适应控制框架，使机器人能够逐步学习，以预测在不断变化的接触任务中的接触变化，学习分段连续系统的相互作用动力学，并提供平滑和准确的轨迹跟踪使用任务空间可变阻抗控制器。我们实验比较我们的框架的性能对代表性的控制方法，以建立我们的框架的自适应控制和增量学习组件需要实现平滑控制中存在的不连续的动态变化接触机器人操作任务。
2021-11-15 cs.RO
Trajectory-based Diffusion from One-shot Human Video for Generalizable Manipulation
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Zerith Robotics（智臻机器人）；University of Science and Technology of China（中国科学技术大学）
本研究提出基于轨迹的框架TDV，利用6D位姿估计从人类视频提取目标轨迹，实现通用操作，在RLBench仿真7项任务中近100%成功，真实场景可跨实体泛化。
2026-10-16 cs.RO
