ART-TEB: Adaptive Trajectory Planning for Mobile Robots in Cluttered Environments
Department of Computer Science and Engineering（计算机科学与工程系）
提出ART-TEB自适应轨迹规划算法，通过分段碰撞测试和位姿校正提升杂乱环境下移动机器人的安全性与规划效率，仿真和实验验证其成功率与速度显著优于现有方法。
2026-10-01 cs.RO
Motion Planning for Collision-resilient Mobile Robots in Obstacle-cluttered Unknown Environments with Risk Reward Trade-offs
University of California, Riverside（加州大学河滨分校）
在未知障碍物杂乱的环境中避免碰撞可能并不总是可行的。本文重点介绍了一种新的范式转变，即可以利用而不是完全避免与环境的潜在碰撞。为此，我们引入了一种新的基于采样的在线规划算法，可以明确地处理与环境碰撞的风险，并可以在碰撞避免和碰撞利用之间切换。规划者的能力的核心是一个新的联合优化功能，使用反射模型评估可能的碰撞的影响。通过这种方式，规划者可以做出与环境碰撞的深思熟虑的决定，如果这种碰撞有望帮助机器人朝着目标前进。为了使算法在线，我们提出了一个状态扩展修剪技术，显着减少了搜索空间，同时确保完整性。该算法的实验评估与内置的内部完整轮式机器人，可以承受碰撞。我们进行了广泛的参数研究，以调查（用户调整）的风险水平之间的权衡，故意碰撞决策，和轨迹统计，如时间，以达到目标和路径长度。
2020-09-04 cs.RO
A Hybrid Method for Online Trajectory Planning of Mobile Robots in Cluttered Environments
Intel Labs（英特尔实验室）；Intel Tecnología de México（英特尔墨西哥技术公司）
提出了一种已知环境下的在线轨迹规划方法。该算法是一个融合的采样为基础的技术和基于模型的优化，通过二次规划。前者用于有效地生成无障碍路径，而后者考虑到机器人的动力学约束，以生成时间相关的轨迹。这项工作的主要贡献在于制定一个凸优化问题的生成的无障碍路径，保证是可行的。因此，与先前提出的方法相比，不需要迭代公式。所提出的方法进行了比较，与国家的最先进的方法，成功率和计算时间显着改善。为了说明这种方法的有效性，在线规划，所提出的方法被应用到流体自主导航的四轴飞行器在多个环境中，包括多达200个障碍。下文中介绍的场景是迄今为止报道的在线规划和导航的一些最密集的混乱实验。观看视频https://youtu.be/DJ1IZRL5t1Q
2019-08-22 cs.RO
GE-Grasp: Efficient Target-Oriented Grasping in Dense Clutter
Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Tsinghua University（清华大学）
在密集的混乱中抓取是自主机器人的基本技能。然而，在杂乱的场景中的拥挤和闭塞导致产生有效的抓取姿势没有碰撞，这导致低效率和高故障率的显着困难。为了解决这些问题，我们提出了一个通用的框架，称为GE-把握机器人运动规划在密集的混乱，在那里我们利用不同的动作原语的遮挡对象去除，并提出了生成器评估架构，以避免空间碰撞。因此，我们的GE-Grasp能够有效地抓住密集杂乱中的物体，成功率很高。具体来说，我们定义了三个动作原语：面向目标的抓目标捕捉，推动，和非面向目标的抓，以减少拥挤和闭塞。生成器有效地提供参考空间信息的各种动作候选。同时，评估器评估所选择的动作基元候选者，其中最优动作由机器人实现。在模拟和现实环境中的大量实验表明，我们的方法优于国家的最先进的方法，在混乱的运动效率和成功率方面的把握。此外，我们在现实世界中实现了与仿真环境中相当的性能，这表明我们的GE-Grasp具有很强的泛化能力。补充材料可在以下网址获得：https://github.com/CaptainWuDaoKou/GE-Grasp。
2022-07-25 cs.RO
Manipulation in Clutter with Whole-Arm Tactile Sensing
Georgia Tech（佐治亚理工学院）；Meka Robotics（Meka机器人公司）
本文首先介绍了我们的机器人操作方法，它强调了在整个机械手与世界接触的好处。我们假设低接触力是良性的，并专注于机器人的发展，可以控制他们的接触力在目标导向运动。受生物学的启发，我们假设机器人在其关节处具有低刚度致动，并且在其操纵器的整个表面上具有触觉感知。然后，我们描述了一种新的控制器，利用这些假设。控制器只需要触觉传感，不需要在接触之前的环境的显式模型。它还处理操纵器曲面上的多个接触。该控制器使用模型预测控制（MPC）的时间范围的长度为1，和一个线性准静态的机械模型，它在每个时间步构造。我们表明，该控制器使真实和模拟的机器人到达目标位置在高杂波低接触力。我们的实验包括测试使用一个真正的机器人与一个新的触觉传感器阵列的前臂达到模拟树叶和一个障碍物块。在我们的实验中，机器人通过整个手臂进行接触，同时推开可移动的物体，使顺从的物体变形，并感知世界。
2013-04-23 cs.RO
Task Allocation for Multi-Robot Task and Motion Planning: a case for Object Picking in Cluttered Workspaces
Department of Informatics, Bioengineering, Robotics, and Systems Engineering, University of Genoa（热那亚大学信息学、生物工程、机器人与系统工程系）
我们提出了一个与/或图为基础的，集成的多机器人任务和运动规划的方法，（一）执行任务分配协调活动的一个给定数量的机器人，（ii）是能够处理任务，涉及一个先验未知数量的对象重新安排，如那些参与检索对象从杂乱的机器人。例如，在搜索和救援场景中，当定位/拾取杂乱的感兴趣对象时，可能会出现这种情况。相应的问题属于杂乱规划的范畴。在杂波中进行规划时的挑战之一是，通常事先不知道拾取目标对象所需的对象重新布置的数量。此外，这样的任务可以以各种方式分解，因为不同的杂乱对象重新布置可能到达目标对象。在我们的方法中，任务分配和分解是通过最大化的组合效用函数。分配的任务由一个集成的任务和运动规划器，这是强大的要求未知数量的重新安排任务。我们证明了我们的结果与实验模拟两个FrankaReplika机械手。
2021-10-08 cs.AI cs.RO
Search-based Path Planning for a High Dimensional Manipulator in Cluttered Environments Using Optimization-based Primitives
Carnegie Mellon University（卡内基梅隆大学）；Mitsubishi Heavy Industries（三菱重工）
在这项工作中，我们解决了路径规划问题的21维蛇机器人一样的机械手，导航杂乱的燃气轮机检查的目的。基于启发式搜索的方法是常见操作域的有效规划策略。然而，它们在高维系统上的性能在很大程度上依赖于动作空间的有效性和所选择的算法。我们的系统的复杂性，可达性的限制，和高度混乱的涡轮机环境，使天真的行动空间和战术选择无效。在这个程度上，我们已经开发了i）一种基于在线优化动态生成动作的方法，该方法帮助机器人在狭窄的空间中导航，ii）一种用于惰性地生成这些计算上昂贵的优化动作以有效地利用资源的技术，以及iii）推理机器人工作空间中的涡轮机的叶片引起的同伦类的算法，以及多-启发式框架，引导沿着相关类进行搜索。我们的贡献的影响是通过模拟实验研究，其中21自由度机械手导航到检查区域内的涡轮机。
2021-07-06 cs.RO
ReachVox: Clutter-free Reachability Visualization for Robot Motion Planning in Virtual Reality
Coburg University of Applied Sciences and Arts（科堡应用科学与艺术大学）；University of Birmingham（伯明翰大学）；University of Cambridge（剑桥大学）
本文提出ReachVox极简可达性可视化方法，通过20人用户研究证明其在VR远程人机协作中优于基于点的可达性检查。
2025-08-15 cs.HC cs.RO
HE-Nav: A High-Performance and Efficient Navigation System for Aerial-Ground Robots in Cluttered Environments
University of Hong Kong（香港大学）；Peng Cheng Laboratory（鹏城实验室）；Huazhong University of Science and Technology（华中科技大学）
针对现有空地机器人导航系统在严重遮挡杂乱环境中性能与效率不足的问题，提出HE-Nav系统，通过轻量感知网络与节能规划器实现高效导航，能耗降为1/7且仿真规划成功率达98%。
2024-10-07 cs.RO
Collision-Free Trajectory Optimization in Cluttered Environments Using Sums-of-Squares Programming
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong Baptist University（香港浸会大学）；Great Bay University（湾区大学）
针对杂乱3D环境中的机器人导航，提出一种基于平方和规划与半定规划的轨迹优化方法，通过引入自由区域缩放因子构建无碰撞约束并推导梯度解析解，高效生成无碰撞轨迹。
2024-08-26 cs.RO
POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）
提出可嵌入的 POA 规划器，通过识别可通行与不可通行障碍物，让两轮机器人在高度杂乱环境中穿越可通行障碍，并较 GVD、A*、RRT* 最多缩短路径 43%、时间 39%。
2023-07-16 cs.AI cs.RO
Fast, Anytime Motion Planning for Prehensile Manipulation in Clutter
Rutgers University（罗格斯大学）
已经开发了许多方法来规划用于拾取和放置的机器人手臂的运动，范围从局部优化到全局搜索技术，这对于稀疏放置的对象是有效的。然而，在许多现实世界的设置中，密集的杂乱仍然会对成功率、计算时间和解决方案的质量产生不利影响。目前的工作整合现有的方法工具，并提出了一个框架，实现高成功率的混乱与随时性能。该想法是首先通过忽略臂来有效地探索较低维度的末端执行器的任务空间，并且构建导航函数的离散近似，该导航函数引导末端执行器朝向可用抓握或对象放置的集合。这是在线执行的，没有场景的先验知识。然后，一个知情的采样为基础的规划器的整个手臂使用雅可比基转向，以达到有前途的末端执行器姿态给定的任务空间的指导。虽然知情，该方法也是全面的，并允许随着时间的推移，如果任务空间的指导没有导致解决方案的替代路径的探索。本文评估了所提出的方法对替代品中挑选或放置不同数量的杂波与不同的末端执行器的各种机器人机械手的任务。结果表明，该方法可靠地提供更高质量的解决方案路径更快，具有更高的成功率相对于替代品。
2019-02-11 cs.RO
Multi-directional Safe Rectangle Corridor-Based MPC for Nonholonomic Robots Navigation in Cluttered Environment
The State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院）；School of Automation, Beijing Institute of Technology（自动化学院，北京理工大学）
本文提出一种改进的顺序MPC导航框架，通过多方向安全矩形走廊算法和障碍函数约束，实现非完整机器人在杂乱环境中的高效导航与障碍回避。
2025-12-15 cs.RO
HyperGuider: Virtual Reality Framework for Interactive Path Planning of Quadruped Robot in Cluttered and Multi-Terrain Environments
Skoltech（斯科尔科沃科学技术研究院）
四足平台由于其在崎岖地形中的高机动性和可通行性而成为一个活跃的研究课题。然而，确定机器人是否可以通过嘈杂的环境以及如何精确计算其路径是非常具有挑战性的。此外，所计算的路径可能穿过具有动态对象或环境的区域，这些动态对象或环境对于机器人或周围的人是危险的。因此，我们提出了一种新的概念性的方法，教四足机器人导航通过用户引导的路径规划在虚拟现实（VR）。我们的系统包含全局和局部路径规划器，允许机器人通过迭代学习生成路径。VR界面允许用户与环境交互，并在具有挑战性的场景中协助四足机器人。对比实验结果表明，人与路径规划算法的协同工作使算法的计算速度平均提高了35.58%，在测试场景下，路径长度平均非临界性地增加了6.66%。此外，用户将VR界面描述为不需要物理需求（2.3/10），并高度评价其性能（7.1/10）。对于在杂乱和非结构化环境中导航的任务，仍然需要找到一条不太理想但更安全的路径的能力。
2022-09-20 cs.HC cs.RO
An MPC framework for efficient navigation of mobile robots in cluttered environments
Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所）；Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系）；ETH Zurich（苏黎世联邦理工学院）；Automatic Control Laboratory, ETH Zurich（苏黎世联邦理工学院自动控制实验室）
本文提出一种整合有限段最短路径规划器的MPC框架，用于在障碍环境中实现移动机器人高效导航，确保动态目标选择和碰撞避免。
2026-03-26 cs.RO cs.SY eess.SY
Overcoming Exploration: Deep Reinforcement Learning for Continuous Control in Cluttered Environments from Temporal Logic Specifications
Lehigh University（利哈伊大学）；Boston University（波士顿大学）
使用深度强化学习（DRL）的机器人导航任务的无模型连续控制依赖于用于探索的噪声策略对奖励的密度敏感。在实践中，机器人通常部署在杂乱的环境中，包含许多障碍物和狭窄的通道。设计密集有效的奖励是具有挑战性的，导致训练过程中的探索问题。这样的问题变得更加严重时，任务描述使用时序逻辑规范。这项工作提出了一个深策略梯度算法，用于控制机器人在混乱的环境中运行时，任务被指定为线性时序逻辑（LTL）公式的未知动态。为了克服训练过程中探索的环境挑战，我们提出了一种新的路径规划引导的奖励计划，通过整合基于采样的方法来有效地完成目标达成任务。为了促进LTL的满意度，我们的方法分解成子目标，达到任务，以分布式的方式解决的LTL任务。我们的框架被证明可以显着提高性能（有效性，效率）和探索的机器人在大规模混乱的环境中执行复杂的任务。视频演示可以在YouTube频道上找到：https://youtu.be/yMh_NUNWxho。
2023-02-23 cs.LG cs.RO
MPC-based Coarse-to-Fine Motion Planning for Robotic Object Transportation in Cluttered Environments
Department of Electrical and Computer Engineering, University of Kaiserslautern Landau（电气与计算机工程系，凯撒斯劳滕大学）；Department of Mechanical Engineering, Dalhousie University（机械工程系，达尔豪斯大学）
本文提出一种杂乱未建模环境下的机器人粗到细运动规划框架，结合双相机感知与基于B样条的MPC，通过增量视觉数据融合逐步细化环境模型与轨迹，利用核感知器碰撞检测实现实时约束更新，并在多臂平台验证了其鲁棒性与适应性。
2025-07-15 cs.RO cs.SY eess.SY
Enabling Robots to Autonomously Search Dynamic Cluttered Post-Disaster Environments
Delft University of Technology（代尔夫特理工大学）
针对灾后动态杂乱环境中的自主搜救机器人，提出集成启发式运动规划与鲁棒跟踪的控制框架，在保证安全无碰撞的同时实现最高42.3%的性能提升。
2025-05-06 cs.RO cs.SY eess.SY
AirSplan: Risk-Aware Motion Planning for Quadrotors in Cluttered 3D Gaussian Splats
University of Michigan（密歇根大学）
AirSplan提出一种结合归一化3D高斯溅射场景表示与基于可达性运动规划器的系统，利用微分平坦性计算紧致碰撞约束，在杂乱环境中实现高成功率（81.2%）的四旋翼无碰撞路径规划。
2026-09-21 cs.RO
Taming Combinatorial Challenges in Optimal Clutter Removal Tasks
Rutgers University（罗格斯大学）
我们研究了一个重要的组合挑战，在清除杂波使用移动机器人配备了一个机械手，寻求计算最佳的对象删除序列最小化的任务完成时间，假设每个对象被抓住一次，然后随后删除。在结构方面，我们建立了这样一个最佳序列可以是NP-难计算，即使没有两个对象被删除有任何重叠。然后，我们构造了渐近最优和启发式的杂波去除算法。采用动态规划，我们的优化算法规模为40个对象。另一方面，对于随机杂波，快速贪心算法倾向于产生与最优算法产生的解可比的解。
2019-05-31 cs.RO
LTO: Lazy Trajectory Optimization with Graph-Search Planning for High DOF Robots in Cluttered Environments
University of California, Los Angeles（加州大学洛杉矶分校）
虽然轨迹优化（TO）是最强大的运动规划工具之一，但是随着时间范围在杂乱环境中增加，其遭受昂贵的计算复杂性。它也可能无法收敛到全局最优解。在本文中，我们提出了懒惰的轨迹优化（LTO），结合本地短期TO和全球图形搜索规划（GSP），以产生一个长期的全球最优轨迹。LTO以与原始长时间范围TO相同的约束求解TO，具有改进的时间复杂度。我们还提出了一个TO感知的成本函数，可以平衡解决方案的成本和规划时间。由于LTO在路线图中解决了许多几乎相同的TO，因此它可以为TO提供明智的热启动，以加速规划过程。我们还证明了LTO的计算复杂性和最优性。最后，我们证明了LTO的性能运动规划问题的2自由度自由飞行机器人和21自由度足式机器人，表明LTO优于现有的算法在其运行时间和可靠性。
2021-03-23 cs.RO cs.SY eess.SY
ClutterNav: Gradient-Guided Search for Efficient 3D Clutter Removal with Learned Costmaps
Department of Engineering Design（工程设计系）；Indian Institute of Technology, Madras（印度理工学院Madras分校）
针对密集杂物堆中目标检索的移除决策难题，提出ClutterNav框架，结合学习代价图与积分梯度引导动作优先级排序，在仿真与真实实验中实现了实时遮挡感知的高效杂物移除决策。
2025-11-16 cs.RO
Environment-aware Interactive Movement Primitives for Object Reaching in Clutter
University of Lincoln（林肯大学）；Centre for Autonomous Systems (L-CAS)（自主系统中心（L-CAS））
在文献中开发的用于在杂乱中到达对象的大多数运动规划策略被应用于二维的（2-d）空间，其中环境的状态空间被约束在一个方向上。较少的作品已被调查，以达到目标，在3-d杂乱的空间，当这样的时候，他们有有限的性能时，应用于复杂的情况。在这项工作中，我们提出了一个受约束的多目标优化框架（OptI-ProMP），以解决在一个紧凑的杂乱的软水果集群中生长的案例研究，利用本地优化为基础的规划CHOMP达到目标的问题。OptI-ProMP的特征成本与目标邻域中的静态，动态和可推送对象相关，并且它依赖于问题初始化的概率原语。我们测试，在一个模拟的多隧道，ProMP为基础的规划者从文献和OptI-ProMP，低（3自由度）和高（7自由度）灵巧的机器人身体，分别。结果表明，碰撞和推动成本最小化与7自由度机器人运动学，除了成功的静态障碍物避免和系统漂移的可推对象的质心。
2022-10-28 cs.AI cs.RO
Efficient and High-quality Prehensile Rearrangement in Cluttered and Confined Spaces
Rutgers University（罗格斯大学）
在杂乱和受限的空间中，Prehensile对象重排具有广泛的应用，但也具有挑战性。例如，在杂货店货架上重新排列产品意味着机器人无法直接访问所有对象，并且自由空间有限。这比桌面重排更难，桌面重排中的对象可以通过自上而下的抓握轻松访问，这简化了机器人与对象的交互。这项工作的重点是这样的互动是完成任务的关键问题。提出了一种新的有效的和完整的求解器下一般约束的单调的情况下，可以解决移动每个对象最多一次。单调求解器推理机器人对象约束，并使用它们来有效地修剪搜索空间。新的单调求解器与全局规划器集成，以快速求解具有高质量解的非单调实例。此外，这项工作有助于一个有效的预处理工具，显着加快在线运动规划查询在有限的空间重新安排。实验进一步表明，所提出的单调求解器，配备了预处理工具，结果在57.3%的计算速度和3倍的成功率比国家的最先进的方法。类似地，所得到的全局规划器在计算上更有效并且具有更高的成功率，同时为非单调实例（即，平均只需要1.3个额外的动作）。在实际机器人系统和代码上演示解决方案的视频可以在https://github.com/Rui1223/uniform_object_rearrangement上找到。
2022-03-18 cs.AI cs.RO
INVIGORATE: Interactive Visual Grounding and Grasping in Clutter
Xi'an Jiaotong University（西安交通大学）；National University of Singapore（新加坡国立大学）
本文提出INVIGORATE机器人系统，通过训练独立神经网络进行视觉定位与抓取，并结合POMDP规划处理感知误差与语言歧义，实现杂乱环境中基于自然语言交互的目标物体抓取。
2024-01-08 cs.AI cs.RO
Planning-Assisted Context-Sensitive Autonomous Shepherding of Dispersed Robotic Swarms in Obstacle-Cluttered Environments
School of Engineering and Information Technology, University of New South Wales, Canberra ACT, Australia（工程与信息技术学院，新南威尔士大学，堪培拉ACT，澳大利亚）
针对障碍密集环境中分散机器人群体牧羊任务的现有方法不足，本文提出带避障能力的规划辅助上下文敏感自主牧羊框架，结合分层规划系统，经多场景实验验证了方法有效性。
2023-02-27 cs.NE cs.RO
A Novel Multivariate Skew-Normal Mixture Model and Its Application in Path-Planning for Very-Large-Scale Robotic Systems
Marshall University（马歇尔大学）；Peking University（北京大学）
针对超大规模机器人系统在杂乱环境中的路径规划问题，提出多元偏态正态混合模型（SNMM）及其参数学习算法，并开发了两种基于SNMM的路径规划算法，仿真证明其优于传统高斯混合模型方法。
2024-02-16 cs.MA cs.RO
Dynamically Feasible Path Planning in Cluttered Environments via Reachable Bezier Polytopes
California Institute of Technology（加州理工学院）
本文提出利用可达贝塞尔多面体并结合GPU加速的分层控制架构，为非线性控制系统在杂乱环境中高效生成无碰撞且动力学可行的路径，并在三维跳跃任务中验证了框架的有效性。
2024-11-20 cs.RO cs.SY eess.SY
A Tactile-based Interactive Motion Planner for Robots in Unknown Cluttered Environments
Shanghai Research Institute for Intelligent Autonomous Systems（上海智能自主系统研究院）；State Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统国家重点实验室）；Frontiers Science Center for Intelligent Autonomous Systems（智能自主系统前沿科学中心）；College of Electronics and Information Engineering, Tongji University（同济大学电子与信息学院）
本文提出了一种基于触觉的交互式运动规划框架，通过多模态触觉感知实时构建接触模型，从而在未知杂乱环境中安全扩展自由运动空间。
2026-03-23 cs.RO cs.SY eess.SY
Kinodynamic Motion Planning for a Team of Multirotors Transporting a Cable-Suspended Payload in Cluttered Environments
Faculty of Electrical Engineering and Computer Science, Technical University of Berlin（柏林工业大学电机工程与计算机科学学院）；New York University（纽约大学）
本文提出一种面向多无人机缆绳悬挂载荷运输的动力学运动规划方法，通过分层几何采样与约束轨迹优化，在杂乱环境中显著降低跟踪误差和能耗，并提升狭窄空间队形变换场景的成功率。
2024-10-01 cs.MA cs.RO
NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning
Purdue University（普渡大学）
神经运动规划（NMPs）已成为解决机器人导航任务在复杂环境中的一个很有前途的工具。然而，这些方法通常需要专家数据进行学习，这将其应用限制在数据生成耗时的场景中。最近的发展也导致了能够表示复杂动态偏微分方程（PDE）的物理学深度神经模型。受这些发展的启发，我们提出了神经时间场（NTFields）的机器人运动规划在混乱的情况下。我们的框架代表了一个波传播模型，生成连续的到达时间，以找到由一个称为Eikonal方程的非线性一阶PDE通知的路径解决方案。我们评估我们的方法在各种杂乱的3D环境中，包括吉布森数据集，并证明其有能力解决运动规划问题的4-DOF和6-DOF的机器人机械手，传统的基于网格的Eikonal规划者往往面临的灾难的维度。此外，结果表明，我们的方法具有较高的成功率和显着较低的计算时间比国家的最先进的方法，包括NMP，需要训练数据从经典的规划。
2023-03-01 cs.LG cs.RO
MANER: Multi-Agent Neural Rearrangement Planning of Objects in Cluttered Environments
Purdue University（普渡大学）
针对现有物体重排研究多聚焦单智能体、难适配现实多机器人协作需求的问题，提出基于学习的多智能体重排规划框架MANER，迭代完成物体选择、区域分配与机器人配对，在模拟和真实环境中遍历时间与成功率均优于基线方法。
2023-11-04 cs.AI cs.LG cs.RO
Proceedings of the 2nd Workshop on Robots in Clutter: Preparing robots for the real world (Berlin, 2013)
本卷代表了2013年6月27日在德国柏林举行的机器人：科学与系统会议上举行的第二届机器人研讨会的会议记录：为现实世界准备机器人。
2013-06-15 cs.RO
TAPOM: Task-Space Topology-Guided Motion Planning for Manipulating Elongated Object in Cluttered Environments
Collage of Control Science and Engineering, Zhejiang University（控制科学与工程学院，浙江大学）；Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院）
本文提出TAPOM方法，通过任务空间拓扑分析生成引导关键帧，结合低层规划器解决细长物体在狭窄低间隙环境中的运动规划难题，显著提升成功率和效率。
2025-11-07 cs.RO cs.SY eess.SY
GP-guided MPPI for Efficient Navigation in Complex Unknown Cluttered Environments
Luddy School of Informatics, Computing, and Engineering, Indiana University（印第安纳大学拉迪信息、计算与工程学院）
针对未知杂乱环境下的机器人导航问题，提出GP-MPPI在线学习控制策略，利用SGP构建不确定性曲面生成最优子目标以引导MPPI局部规划，无需全局地图或离线训练，实现了安全避障并有效摆脱局部极小值。
2023-07-28 cs.AI cs.RO cs.SY
ClutterGen: A Cluttered Scene Generator for Robot Learning
Duke University（杜克大学）
针对机器人学习中杂乱场景生成难、多样性受限的问题，提出基于强化学习的ClutterGen生成器，可生成最多10个物体的稳定杂乱场景，支持开放式生成，可直接用于真实机器人的杂乱重排与放置策略训练。
2024-10-04 cs.RO
DIPN: Deep Interaction Prediction Network with Application to Clutter Removal
Rutgers, the State University of New Jersey（罗格斯大学（新泽西州立大学））
我们提出了一个深度交互预测网络（DIPN），用于学习预测机器人末端执行器推动多个物体时发生的复杂交互，这些物体的物理属性，包括大小，形状，质量和摩擦系数可能是先验未知的。DIPN“想象”推动作的效果，并生成预测结果的准确合成图像。DIPN被证明是样本效率时，在模拟训练或与一个真正的机器人系统。DIPN的高精度允许与抓取网络直接集成，从而产生能够执行具有挑战性的杂波消除任务的机器人操作系统，同时以完全自我监督的方式进行训练。整个网络展示了在推和抓之间选择适当动作以完成杂波消除任务的智能行为，并且显著优于以前的最先进技术。值得注意的是，DIPN在真实机器人硬件系统上的性能甚至比在模拟中更好。视频、代码和实验日志可在https://github.com/rutgers-arc-lab/dipn上获得。
2021-04-04 cs.AI cs.RO
Through the Clutter: Exploring the Impact of Complex Environments on the Legibility of Robot Motion
University of Nevada, Reno（内华达大学雷诺分校）
针对杂乱环境中机器人运动可读性问题，提出基于环境熵的杂乱度测量方法和基于势场的新型运动规划器，实验证明其在杂乱环境中显著提升了运动可读性并揭示了现有研究的不足。
2024-05-31 cs.RO
A Survey on Passing-through Control of Multi-Robot Systems in Cluttered Environments
Beihang University（北京航空航天大学）
本综述系统梳理了杂乱环境下多机器人穿越控制的四类算法，并比较其优劣，为改进现有方法指明方向。
2023-11-13 cs.RO
Three-dimensional hydro-cluttered locomotion by an undulatory robot
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院）；School of Physics, Georgia Institute of Technology（Georgia理工学院物理系）；George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology（佐治亚理工学院乔治·W·伍德鲁夫机械工程学院）；School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）；Department of Mechanical and Industrial Engineering, Northeastern University（东北大学机械与工业工程系）；Ransom Everglades School（拉森·伊弗格莱德学校）
提出AquaMILR机器人，通过可编程体顺应性和深度调节，在三维水杂波环境中实现快速鲁棒的前进运动，并利用惯性滚动作为自发恢复机制。
2026-06-05 cs.RO
Learning Generalizable Robot Skills from Demonstrations in Cluttered Environments
Institute for Robotics and Intelligent Machines (IRIM), Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所（IRIM））
示教学习（LfD）是一种流行的方法，可以赋予机器人技能，而不必手动编程。通常，LfD依赖于人类在无干扰环境中的演示。这可以防止演示受到不相关对象的影响，这些对象的影响可能会混淆人的真实意图或所需技能的约束。然而，假设机器人的环境总是可以被重构以在捕捉人类演示时消除混乱是不现实的。为了解决这个问题，我们开发了一个重要性加权批量和增量技能学习方法，建立在最近的推理为基础的技术技能表示和再现。我们的方法减少了不必要的环境对学习技能的影响，同时仍然捕捉了突出的人类行为。我们提供了我们的方法的批量和增量版本，并验证我们的算法上的7自由度JACO2机械手达到和放置技能。
2018-08-04 cs.RO
Single-View Shape Completion for Robotic Grasping in Clutter
Örebro University（奥雷布罗大学）
本研究利用扩散模型实现单视角下杂乱环境中物体的3D形状补全，提升机器人抓取成功率。
2025-12-18 cs.RO
LAMP: Long-Horizon Adaptive Manipulation Planning for Multi-Robot Collaboration in Cluttered Space
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出LAMP框架，结合学习生成的操作模型与两种规划器（LAMPA*和LAMP-Lazy），实现多机器人在密集杂乱环境中的长时域协作操作规划，解决现有方法无法处理的复杂任务。
2026-07-09 cs.RO
Coordination of two robotic manipulators for object retrieval in clutter
Korea Institute of Science and Technology（韩国科学技术研究院）；Inha University（仁荷大学）
我们考虑的问题检索的目标对象从一个有限的空间由两个机器人机械手，不允许上手掌握。如果其他可移动障碍物遮挡目标，则应重新定位多个对象以清除到达目标对象的路径。使用两个机器人，可以通过同时执行重新定位任务来有效地完成重新定位。然而，任务之间的优先约束（例如，在前面的一些对象应该被删除，以操作在后面的对象）使得同时执行任务变得困难。我们提出了一种协调方法，确定哪个机器人重新定位哪个对象，以便同时执行任务。给定一组要重新定位的对象，目标是最大限度地提高机器人在执行重新定位任务时的转弯次数。因此，一个机器人可以在杂物中拾取物体，而另一个机器人将手中的物体放在杂物的外面。然而，要被重新定位的对象可能不是所有机器人都可以访问的，因此轮流并不总是能够实现的。我们的方法是基于最优的均匀成本搜索，所以转向次数被证明是最大化。我们还提出了一个贪婪的变种，其计算时间更短。从实验中，我们表明，我们的方法减少了至少22.9%（最多27.3%）的任务的完成时间相比，不考虑话轮转换的方法。
2021-09-30 cs.RO
Active Visuo-Tactile Interactive Robotic Perception for Accurate Object Pose Estimation in Dense Clutter
BMW Group（宝马集团）；University of Glasgow（格拉斯哥大学）；The Imperial College of Science, Technology and Medicine（帝国理工学院）；Donders Institute for Brain and Cognition, Radboud University（拉德堡德大学唐德斯脑认知研究所）
这项工作提出了一种新的主动视觉触觉为基础的框架，机器人系统，以准确地估计在密集的杂乱环境中的对象的姿态。场景表示是使用一种新的declutter图（DG），它描述了在场景中的对象之间的关系，通过利用语义分割和把握启示网络进行整理。图形制定允许机器人有效地整理工作空间，自主选择下一个最好的对象删除和执行的最佳行动（无菌或非无菌）。此外，我们提出了一种新型的平移不变四元数滤波器（TIQF），用于基于主动视觉和主动触觉的姿态估计。通过最大化期望信息增益来选择主动视觉和主动触觉点。我们评估我们提出的框架上的系统与两个机器人协调随机场景的密集杂乱的对象和进行消融研究与静态视觉和主动视觉为基础的估计之前和之后的整理作为基线。我们提出的主动视觉-触觉交互感知框架与主动视觉基线相比，姿态准确度提高了36%。
2022-02-04 cs.RO
SwipeBot: DNN-based Autonomous Robot Navigation among Movable Obstacles in Cluttered Environments
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
本文提出SwipeBot方法，利用CNN分类RGB-D图像并选择最小侵入动作，推动可移动障碍物，在ROS中实现并通过仿真验证，使轮式机器人在杂乱环境中成功导航。
2023-05-08 cs.RO
HMT-Grasp: A Hybrid Mamba-Transformer Approach for Robot Grasping in Cluttered Environments
University of Groningen（格罗宁根大学）
本文提出HMT-Grasp，一种融合Vision Mamba与并行卷积-Transformer模块的混合架构，通过同时捕获全局和局部信息提升杂乱环境下的机器人抓取适应性、精度和灵活性，并在多个数据集及仿真与真实机器人实验中验证了其优于现有方法的性能。
2025-03-09 cs.RO
Robot Learning of Shifting Objects for Grasping in Cluttered Environments
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
机器人抓取在杂乱的环境中往往是不可行的，由于障碍物阻止可能的把握。然后，像移动或推动物体这样的预抓取操作变得必要。我们开发了一种算法，除了抓取之外，还可以学习以增加抓取概率的方式移动物体。我们的研究贡献是三方面的：首先，我们提出了一个学习的最佳姿势的操作原语，如夹紧或移位的算法。第二，我们学习明确增加抓取概率的不可解释的动作。使一种技能（转移）直接依赖于另一种技能（抓取），消除了对稀疏奖励的需求，从而实现了更有效的数据学习。第三，我们将现实世界的解决方案应用于垃圾箱拣选的工业任务，从而实现了完全清空垃圾箱的能力。该系统以自我监督的方式进行训练，大约有25000个抓取和2500个移位动作。我们的机器人能够以每小时274次拾取的速度抓取和归档物体。此外，我们证明了系统的能力，推广到新的对象。
2019-07-25 cs.RO
Reactive Planning based Control for Mobile Robots in Obstacle-Cluttered Environments
Department of Automation, University of Science and Technology of China（自动化系，中国科学技术大学）；School of Intelligence Science and Engineering, Harbin Institute of Technology Shenzhen（智能科学与工程学院，哈尔滨工业大学深圳）；School of Control Science and Engineering, Dalian University of Technology（控制科学与工程学院，大连理工大学）
本文提出基于反应规划的控制策略，用于移动机器人在障碍物密集环境中避障和导航，通过局部修改参考轨迹实现安全运动。
2026-08-25 cs.RO
A Real-World Grasping-in-Clutter Performance Evaluation Benchmark for Robotic Food Waste Sorting
Faculty of Science and Technology, University of Canberra（科学与技术学院，堪培拉大学）
本文提出GRAB基准，通过1750次抓取尝试评估不同夹具在杂乱环境中的抓取性能，揭示物体质量是影响抓取表现的主要因素。
2026-04-20 cs.RO
Learning to Nudge: A Scalable Barrier Function Framework for Safe Robot Interaction in Dense Clutter
University of California San Diego（加州大学圣地亚哥分校）
本文提出了一种可扩展的障碍函数框架，通过学习可组合的以对象为中心的函数，实现安全的机器人交互在密集障碍物中，无需重新训练即可跨任务转移。
2026-01-06 cs.RO
Planning for target retrieval using a robotic manipulator in cluttered and occluded environments
Korea Institute of Science and Technology（韩国科学技术研究院）
本文提出了一种具有固定基座的机器人机械手的规划算法，以在杂乱的环境中抓取目标物体。我们考虑一个配置的对象在一个有限的空间中具有高密度，所以没有碰撞的自由路径的目标存在。机器人必须重新定位一些对象，以检索目标，同时避免碰撞。为了快速完成检索任务，机器人需要计算优化与重新定位计划的执行时间直接相关的适当目标值的计划。我们提出了规划算法，旨在尽量减少要重新定位的对象的数量。我们的目标值是适当的对象检索任务，因为抓住和释放对象往往占主导地位的总运行时间。除了在完全已知的和静态的环境中工作的算法，我们提出了算法，可以处理不确定的和动态的情况下所引起的闭塞的意见。所提出的算法是完整的，并运行在多项式时间。与基线方法相比，我们的方法显著减少了总运行时间（例如，在已知静态环境中减少25.1%，有10个物体
2019-07-09 cs.RO
Knowledge-Enabled Robotic Agents for Shelf Replenishment in Cluttered Retail Environments
在非结构化和动态变化的零售环境中，自主机器人必须掌握复杂的感知、知识处理和操作任务。为了使他们能够胜任工作，我们提出了一个基于三个核心组成部分的框架：（o）知识使能的感知系统，其能够组合不同的信息源以应对具有各种纹理和形状的遮挡和堆叠的对象，（o）知识处理方法产生用于整理超市货架的策略，及（o）在密闭空间内将物件摆放在半可进入的货架上所需的操作技巧。我们证明了我们的框架在模拟环境中，以及在一个真正的购物架上使用PR2机器人。典型的超市产品被检测到并重新排列在零售货架上，整理被发现放错地方的物品。
2016-05-13 cs.RO
Visual Foresight Trees for Object Retrieval from Clutter with Nonprehensile Rearrangement
Rutgers, the State University of New Jersey（罗格斯大学（新泽西州立大学））
本文考虑的问题，检索一个对象从许多紧密包装的对象，使用机器人推和把握行动的组合。密集杂波中的物体检索是机器人在家庭和日常环境中有效操作的重要技能。所提出的解决方案，视觉模糊树（VFT），智能地重新安排周围的目标对象，使它可以很容易地掌握杂波。嵌套的非线性行为的重排是具有挑战性的，因为它需要预测复杂的对象相互作用的组合大配置空间的多个对象。我们首先展示了一个深度神经网络可以被训练来准确地预测机器人推动其中一个包装物体时的姿态。预测网络提供视觉预见，并在树搜索中用作场景图像空间中的状态转换函数。树搜索返回一系列连续的推动动作，产生最佳的混乱安排，以抓住目标对象。仿真实验以及使用真实机器人和物体的实验表明，在几项具有挑战性的任务上，所提出的方法在成功率和执行动作数量方面都优于无模型技术以及基于模型的近视方法。一个介绍VFT的视频，以及机器人实验，可以在https://youtu.be/7cL-hmgvyec上访问。完整的源代码可以在https://github.com/arc-l/vft上找到。
2022-03-09 cs.RO
