Memory Transfer Planning: LLM-driven Context-Aware Code Adaptation for Robot Manipulation
Panasonic Connect Co., Ltd.（松下电器（控股）公司）；Panasonic R&D Center（松下研发中心）；National University of Singapore（新加坡国立大学）
提出 MTP 框架，通过检索并上下文适配跨环境成功控制代码作为程序性记忆，使 LLM 无需更新参数即可为机器人操作生成可迁移计划。
2025-09-29 cs.AI cs.LG cs.RO
Reflective Planning: Vision-Language Models for Multi-Stage Long-Horizon Robotic Manipulation
Cornell University（康奈尔大学）；Yale University（耶鲁大学）
本文提出一种反思式测试时计算框架，通过生成模型想象未来状态并批判性反思，增强视觉语言模型在多阶段长时程机器人操作中的物理推理能力，显著优于现有商业VLM及MCTS等方法。
2025-02-23 cs.AI cs.LG cs.RO
Learning Models as Functionals of Signed-Distance Fields for Manipulation Planning
TU Berlin（柏林工业大学）；MIT（麻省理工学院）
这项工作提出了一个基于优化的操作规划框架，其中的目标是学习功能的符号距离字段，代表在场景中的对象。大多数操纵规划方法依赖于分析模型和精心选择的抽象/状态空间是有效的。一个核心问题是如何从预测不准确的数据中获得模型，但更重要的是，在规划框架内实现有效的推理，同时与感知空间紧密耦合。我们表明，将对象表示为符号距离字段不仅能够学习和表示各种模型，与点云和占用度量表示相比具有更高的准确性，而且基于SDF的模型适用于基于优化的规划。为了证明我们的方法的多功能性，我们学习了运动学和动力学模型来解决涉及将杯子挂在钩子上和将物体推到桌子上的任务。我们可以在一个框架中统一这些完全不同的任务，因为SDF是通用的对象表示。视频：https://youtu.be/ga8Wlkss7co
2021-10-02 cs.LG cs.RO
Contact Mode Guided Motion Planning for Quasidynamic Dexterous Manipulation in 3D
Carnegie Mellon University（卡内基梅隆大学）
提出了一种基于接触模式的灵巧手三维准静态和准动态刚体运动规划方法。CMGMP算法生成包括连续状态转换和离散接触模式切换的混合运动计划，而不需要预先指定的接触序列或预先设计的运动基元。其核心思想是使用自动枚举的环境对象接触的接触模式，以指导在搜索过程中的树扩展。接触模式自动合成操作基元，而基于采样的规划框架将这些基元排序为连贯的计划。我们在14个3D操作任务上测试了我们的算法，并通过在一个真实的机器人-机械手系统上开环执行一些计划来验证我们的模型
2022-06-03 cs.RO
Decidability in Robot Manipulation Planning
CNRS（法国国家科学研究中心）；LAAS（系统分析与体系结构实验室）；Courant Institute, NYU（纽约大学库朗研究所）
考虑规划$n$对象在可移动的平面中的无碰撞运动的问题，该平面可通过与能够在平面中自主平移并且能够同时移动最多$m \leq n$对象的机器人接触来移动。这代表了一个操作规划问题的抽象公式，在本文中被证明是可判定的。用于证明这种简化的操纵规划问题的可判定性的工具，事实上，一般足以处理的可判定性问题的更广泛的系统类的特征在于分层配置空间。这些问题包括，例如，腿和多接触运动，双手操纵的问题。此外，所描述的方法不限制要考虑的操纵系统的动力学。
2018-11-08 cs.RO
Efficient Object Manipulation Planning with Monte Carlo Tree Search
Tandon School of Engineering, New York University（纽约大学坦登工程学院）
提出了一种有效的物体操作规划方法，利用蒙特卡罗树搜索（MCTS）算法寻找接触序列，并利用基于ADMM的轨迹优化算法评估候选接触序列的动态可行性。为了加速MCTS，我们提出了一种方法来学习目标条件的策略值网络，以引导搜索到有希望的节点。此外，特定于操作的算法使得能够大幅减少搜索空间。在物理模拟器和真实硬件上的系统对象操作实验证明了我们的方法的效率。特别是，由于学习的策略值网络，我们的方法对长操作序列有利，显著提高了规划成功率。
2023-03-19 cs.RO
EMPIRE: Explicit Manipulation Planning as a Learnable Intermediate Representation for Egocentric Hand-Motion Forecasting
该研究针对现有手运动预测方法忽略操作过程、梯度干扰的问题，提出两阶段框架EMPIRE，构建EMPIRE-651K数据集，实现了更优的手运动预测精度。
2026-08-25 cs.AI cs.RO
Efficient State Abstraction using Object-centered Predicates for Manipulation Planning
Technical University of Munich（慕尼黑工业大学）；University of Innsbruck（因斯布鲁克大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））
符号描述的定义，始终代表相关的几何方面的操作任务是一个具有挑战性的问题，在机器人社区很少受到关注。这个定义通常是从一个有限的对象关系和方向，只满足几何约束，在实验室条件下执行实验的观察者的角度来完成。这将对象配置空间中的操纵动作的可能改变限制为与该特定外部引用定义兼容的那些改变，这极大地限制了可能的操纵的范围。为了解决这些限制，我们提出了一个以对象为中心的表示，允许表征一组更广泛的可能的变化，在配置空间比传统的观察者的角度对应。基于这种表示，我们定义了通用的规划运营商的采摘和放置的行动，允许生成计划的几何和力的一致性，在操作任务。这种以对象为中心的描述是直接从对象的姿态和边界框中获得的，使用一种新的学习机制，该机制允许生成信号-符号关系，而不需要为每个特定场景手工制作这些关系。
2020-07-16 cs.AI cs.RO
VPTwin: Real-Sim-Real Video Prediction for Robotic Manipulation Planning
VPTwin提出真实-仿真-真实视频预测框架，利用仿真孪生和VLM重建，减少物理幻觉并提升机器人操作规划性能。
2026-09-29 cs.AI cs.RO
Contact Mode Guided Sampling-Based Planning for Quasistatic Dexterous Manipulation in 2D
Carnegie Mellon University（卡内基梅隆大学）
由接触引入的不连续性和多模态使得操纵规划具有挑战性。许多以前的作品避免了这个问题，预先设计了一套高层次的动作原语，如抓和推。然而，这样的运动基元往往不足以描述灵巧的操纵运动。在这项工作中，我们提出了一种方法，灵巧操作规划在一个更原始的水平。其关键思想是使用接触模式，以指导在一个基于抽样的规划框架的搜索。我们的方法可以自动生成接触过渡和准静态假设下的运动轨迹。在实验中，这种方法有时会生成通常预先设计为运动基元的运动，以及更特定于任务的灵巧运动。
2021-05-30 cs.RO
Physics-Informed Eikonal Caging for Whole-Arm Manipulation Planning
Idiap Research Institute（Idiap 研究所）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；KTH Royal Institute of Technology（瑞典皇家理工学院）
提出将笼形约束重新表述为最小时间逃逸问题，利用物理信息神经网络近似满足Eikonal方程的逃逸时间场，实现全臂操作规划中的鲁棒性提升。
2026-06-23 cs.GT cs.LG cs.RO
Humanoid Loco-manipulation Planning based on Graph Search and Reachability Maps
CNRS-AIST JRL (Joint Robotics Laboratory)（CNRS-AIST联合机器人实验室）；IRL（机器人研究所）；National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院）
提出一种基于图搜索和可达性地图的人形机器人移动操作规划方法，将脚步与抓取的交替排序构建为图搜索问题，并通过重新定位和切换可达性地图快速评估转移模型，实现自主物体运输与操作。
2025-05-29 cs.RO
Sequential Manipulation Planning on Scene Graph
Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）；Peking University（北京大学）；Tsinghua University（清华大学）
我们设计了一个三维场景图表示，接触图+（CG+），高效的顺序任务规划。这种基于接触图的表示方法通过类似谓词的属性进行增强，从而利用简洁的几何信息和有效的机器人场景交互来抽象场景布局。目标配置，自然指定的接触图，可以产生的遗传算法与随机优化方法。然后通过计算初始接触图和目标配置之间的图形编辑距离（GED）来初始化任务计划，其生成对应于可能的机器人动作的图形编辑操作。我们通过施加约束来规范图形编辑操作的时间可行性，从而确保有效的任务和运动对应关系，从而最终确定任务计划。在一系列的仿真和实验中，机器人成功地完成了传统规划语言如规划域定义语言（PDDL）难以描述的复杂顺序对象重排任务，证明了基于接触图的机器人顺序任务规划的可行性和潜力。
2022-07-17 cs.AI cs.RO
Task Planning for Mobile Manipulation in Retail Stores using Foundation Models with Iterative Re-planning
TCS Research, Tata Consultancy Services Ltd.（塔塔咨询服务公司TCS研究院）
研究零售场景补货问题，利用大语言模型和视觉语言模型，结合定制移动操作平台、用户驱动提示及反馈迭代重新规划方法纠错，在模拟环境验证端到端系统，为零售自动化提供了新的任务规划方案。
2026-07-14 cs.RO
Preparatory Manipulation Planning using Automatically Determined Single and Dual Arms
Osaka University（大阪大学）；National Inst. of AIST（国立产业技术综合研究所）
提出了一种机器人重定向操作规划算法。它自动找到一系列机器人运动，操纵和准备一个对象的特定任务。预备操作规划问题的例子包括重新定向电钻切割孔，重新定向工件装配，重新定向货物包装等所提出的算法可以规划单，双臂操作序列来解决问题。规划器下的机制是一个重抓取图，它对抓取配置和物体姿态进行编码。该算法搜索图，以找到一系列的机器人运动，以重新定位对象。规划者能够规划单臂和双臂操作。它还可以自动决定是否使用单臂，双臂或它们的组合来完成给定的任务。规划器由各种人形机器人检查，如Nextage，HRP2Kai，HRP5P等，使用模拟和真实世界的实验。
2018-12-08 cs.RO
Sequential Manipulation Planning for Over-actuated Unmanned Aerial Manipulators
Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）；Peking University（北京大学）；Tsinghua University（清华大学）
本文针对无人机机械臂的序列操作规划问题，提出基于虚拟运动链的统一运动学与动力学规划方法，并在仿真与实验中首次展示过驱动UAM的多种序列操作能力。
2023-07-11 cs.RO cs.SY eess.SY
Dynamic Planning for Sequential Whole-body Mobile Manipulation
针对现有移动操作动态规划方法的局限性，研究提出融合在线任务规划、VKC全身运动规划与反应式MPC的一体化框架，经仿真与真实实验验证可在含人为干扰的动态场景下高效完成序列移动操作任务。
2024-06-21 cs.RO
Manipulation Planning and Control for Shelf Replenishment
Dipartimento di Ingegneria, Università degli Studi della Campania Luigi Vanvitelli（坎帕尼亚路易吉·凡维泰利大学工程系）；Institute for Artificial Intelligence, Universität Bremen（不来梅大学人工智能研究所）
操作规划和控制是机器人系统的相关构建模块，它们的紧密集成是提高机器人自主性的关键因素，并允许机器人执行越来越复杂的操作任务，例如店内物流领域所需的操作任务。超市包含各种各样的物品，这些物品将被放置在具有特定约束的货架层上，用机器人做这件事是一个挑战，需要高度的灵活性。然而，反应性抓取控制和运动规划的集成可以允许机器人执行这样的任务，即使夹具具有有限的灵活性。该论文的主要贡献是一种新的方法，用于规划使用反应控制层执行的操纵任务，该反应控制层提供更多的控制模态，即，避免滑动和控制滑动。实验表明，该方法可以使机器人成功地执行操作任务不可行的标准固定抓持与一个新的力/触觉传感器装备的夹持器的移动机械手。
2020-03-12 cs.RO
MOSAIC: Skill-Centric Manipulation Planning with Physics Simulation
Robotics Institute, School of Computer Science（机器人研究所、计算机科学学院）
研究用预定义技能规划长期操作运动的问题，核心方法是利用物理模拟估计技能执行结果，贡献是引入MOSAIC方法，通过两个互补技能家族有效发现基于物理的解决方案。
2026-07-07 cs.AI 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
Gondola: Grounded Vision Language Planning for Robotic Manipulation
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；PSL Research University（巴黎文理研究大学）
针对机器人操作泛化性不足的问题，提出基于LLM的多视图具身视觉语言规划模型Gondola，搭配三类自建训练数据集，在GemBench的四个泛化层级上均超越现有最优方法。
2026-09-30 cs.AI cs.CV cs.RO
Learning Robotic Manipulation through Visual Planning and Acting
UC Berkeley（加州大学伯克利分校）；Technion（以色列理工学院）
规划机器人操作需要对机器人可能影响物体的变化进行推理。当这样的相互作用可以分析建模，如在刚性对象的域，有效的规划算法存在。然而，在家庭和工业领域，感兴趣的对象可以是软的或可变形的，并且难以分析地建模。对于这种情况，我们认为数据驱动的建模方法更合适。近年来，深度生成模型的进展产生了学习从数据中“想象”合理图像的方法。在最近的因果InfoGAN生成模型的基础上，在这项工作中，我们学习直接从机器人与对象的自监督交互的原始图像数据中想象目标导向的对象操作。在学习之后，给定系统的目标观察，我们的模型可以生成一个想象的计划-一系列图像，将对象转换为期望的目标。为了执行该计划，我们将其用作参考轨迹，以使用视觉伺服控制器进行跟踪，我们还从数据中学习逆动力学模型。在一个模拟的操作任务，我们表明，分离的问题，视觉规划和视觉跟踪控制是更有效的样本和更可解释的替代数据驱动的方法。我们进一步展示了我们在3种环境中学习想象和执行的方法，其中最后一种是PR 2机器人上的可变形绳索操作。
2019-05-11 cs.CV cs.LG cs.RO
Deep Visual Constraints: Neural Implicit Models for Manipulation Planning from Visual Input
TU Berlin（柏林工业大学）
操纵规划是找到一系列机器人配置的问题，这些配置涉及与场景中的对象的交互，例如，抓取和放置物体，或更一般的工具使用。为了实现这样的交互，传统的方法需要手工设计对象表示和交互约束，当考虑复杂的对象/交互时，这很容易变得乏味。受3D建模的最新进展（例如NeRF）的启发，我们提出了一种将对象表示为连续函数的方法，在该连续函数上定义并联合训练约束特征。特别是，所提出的像素对齐表示直接从具有已知相机几何形状的图像中推断，并且自然地充当整个操纵管道中的感知组件，从而仅从视觉输入实现长期规划。项目页面：https://sites.google.com/view/deep-visual-constraints
2022-07-28 cs.RO
Efficient Gradient-Based Inference for Manipulation Planning in Contact Factor Graphs
Seoul National University（首尔大学）
本文提出接触因子图（CFG）建模接触与动力学约束，并利用可微因子和结构化条件概率开发高效推理算法，实现操控规划中的分布近似与可行解采样。
2025-03-08 cs.RO
MIGU: Multimodal Instruction Grounding under Uncertainty for Manipulation Planning
National University of Singapore（新加坡国立大学）；University of California, Los Angeles（加州大学洛杉矶分校）
MIGU通过融合几何与语义不确定性，实现多模态指令接地，提升操作规划性能，在真实基准上优于基线。
2026-09-22 cs.RO
UniPlan: Vision-Language Task Planning for Mobile Manipulation with Unified PDDL Formulation
UniPlan通过统一PDDL形式实现视觉-语言任务规划，提升大规模室内移动操作的规划效率和效果。
2026-02-09 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
DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation
The University of Hong Kong（香港大学）；University of California, Berkeley（加州大学伯克利分校）
针对现有扩散规划方法在复杂富接触灵巧操作中存在幽灵状态、适应性不足的问题，提出交互感知框架DexHandDiff，通过双阶段扩散、双重引导及大语言模型辅助生成引导函数，显著提升了训练分布外任务的成功率与泛化性。
2025-06-17 cs.CV cs.LG cs.RO
Embodied Tree of Thoughts: Deliberate Manipulation Planning with Embodied World Model
University of Chinese Academy of Sciences (UCAS)（中国科学院大学）；Tsinghua University（清华大学）；JD Explore Academy（京东探索学院）；ShanghaiTech University（上海科技大学）；Nanjing University（南京大学）
EToT通过基于物理的交互数字双胞胎实现具身世界模型，结合先验分支和反思分支机制，提升机器人操控规划的物理一致性和鲁棒性。
2025-12-09 cs.AI cs.CV cs.RO
Symbolic State Space Optimization for Long Horizon Mobile Manipulation Planning
The State University of New York at Binghamton（纽约州立大学宾汉姆顿分校）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）
针对长时程移动操作中任务级状态空间构建困难的问题，提出S3O方法计算抽象位置及其2D几何锚定以生成任务-运动规划，在仿真和真实机器人实验中均优于现有TAMP基准。
2023-07-21 cs.RO
Stability Constrained Mobile Manipulation Planning on Rough Terrain
McGill University（麦吉尔大学）
本文提出了一个框架，允许在线动态稳定性约束的最优轨迹规划的移动机械手机器人工作在崎岖的地形。首先，移动机械臂机器人的运动学模型，和零力矩点（ZMP）稳定性措施作为理论背景。然后，提出了一种基于采样的准静态规划算法，并给出了数学证明。机器人的准静态路径，然后作为一个初始的猜测，热启动非线性最优控制求解器，否则可能有困难找到一个解决方案的稳定性约束的制定有效。该框架的性能和计算效率的证明，通过一个模拟的木材采伐移动机械手机器工作在不同的地形。仿真结果验证了在满足动稳定性约束的情况下，对变地形进行在线轨迹规划的可行性。
2021-05-10 cs.AI cs.RO cs.SY
Action Planning for Packing Long Linear Elastic Objects into Compact Boxes with Bimanual Robotic Manipulation
The Hong Kong Polytechnic University（香港理工大学）
在本文中，我们提出了一个新的行动规划方法，自动包装长线性弹性物体到共同大小的箱子与双手机器人系统。为此，我们开发了一种混合几何模型来处理大规模的遮挡，结合在线基于视觉的方法和离线参考模板。然后，一个参考点生成器被引入到自动规划的参考位姿为预先设计的动作基元。最后，一个行动计划集成这些组件，使执行高层次的行为和包装操作任务的完成。为了验证所提出的方法，我们进行了详细的实验研究与多种类型和长度的对象和包装盒。
2022-07-19 cs.RO
Regrasp Maps for Sequential Manipulation Planning
Learning & Intelligent Systems Lab, TU Berlin, Germany（柏林技术大学学习与智能系统实验室）；Science Of Intelligence Cluster of Excellence（智能科学卓越集群）
本文提出利用再抓取地图（状态空间抽象）捕获配置空间中可用抓取组合，指导基于优化的TAMP求解器加速搜索，并通过交替创建地图、调整和求解子问题实现稳健的再抓取操作规划。
2025-07-16 cs.RO
Combining Planning and Diffusion for Mobility with Unknown Dynamics
Massachusetts Institute of Technology（麻省理工学院）
针对动力学未知的长时程机器人移动操作难题，提出将高层障碍感知运动规划与短时程相对运动扩散策略结合的分层算法，在Spot机器人推拉办公椅任务中成功率更优且可零额外训练泛化到新场景。
2024-10-09 cs.AI cs.RO
Spatially Grounded Long-Horizon Task Planning in the Wild
Korea University（韩国大学）；Microsoft Research（微软研究院）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出了一种基于空间的规划任务，引入了GroundedPlanBench基准，评估机器人在真实环境中的长时域动作规划能力，并通过V2GP框架提升空间接地规划性能。
2026-03-13 cs.AI cs.RO
Neural Field Representations of Articulated Objects for Robotic Manipulation Planning
TU Berlin（柏林工业大学）；Bilkent University（比尔肯特大学）
提出一种铰接物体的神经场表示（NFR），可直接从少量图像正向模拟运动并用于轨迹优化规划，支持形状重建等辅助任务，在合成数据训练下实现对真实世界未见同类物体的机器人操作。
2023-09-14 cs.RO
Describing Physics For Physical Reasoning: Force-based Sequential Manipulation Planning
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；TU Berlin（柏林工业大学）；University Stuttgart（斯图加特大学）
身体推理是动物和人类智力的核心方面。一个核心问题是应该使用什么模型作为推理的基础。现有的工作考虑模型，从直观的物理和物理模拟器，接触动力学模型用于机器人操作和运动。在这项工作中，我们提出的物理描述，直接使我们能够利用优化方法进行物理推理和顺序操纵规划。所提出的多物理制定使求解器混合不同层次的抽象和简化的不同对象和阶段的解决方案。作为一个必不可少的成分，我们提出了一个具体的参数化的扳手交换对象表面之间的路径优化框架，引入攻击点作为决策变量。我们展示了各种机器人操作规划问题的方法，如抓住一根棍子，以推动或解除另一个对象的目标，转移和抓住一本书从书架上，并抛出一个对象反弹向目标。
2020-07-05 cs.RO
Coupled Active Perception and Manipulation Planning for a Mobile Manipulator in Precision Agriculture Applications
Texas A&M University（德克萨斯农工大学）；Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学（MBZUAI））
针对精准农业中移动机械臂需先近距感知再操作的CAPM问题，提出考虑可达性约束并最小化预期能耗的关键状态/任务规划方法，仿真与实物实验表明其较两阶段解耦方法更节能且任务成功率达100%。
2023-09-28 cs.RO
Robustness-Aware Tool Selection and Manipulation Planning with Learned Energy-Informed Guidance
division of Robotics, Perception and Learning, KTH Royal Institute of Technology（机器人、感知与学习系，皇家理工学院）；Idiap Research Institute（Idiap研究机构）；EPFL（瑞士联邦理工学院）
本文提出了一种基于学习能量感知指导的鲁棒工具选择与操作规划方法，通过分层优化流程提升工具使用在外部干扰下的鲁棒性。
2026-03-06 cs.RO
Arm Manipulation Planning of Tethered Tools with the Help of a Tool Balancer
Osaka University（大阪大学）
机器人操纵系留工具在机器人工作单元中被广泛看到。它们可能会导致工具的电缆上的过度应变或与机器人手臂的不希望的缠绕。本文提出了一种具有电缆方向约束的工具平衡器悬挂的系留工具的操作规划器。规划器使用方向约束来限制平衡器的电缆的弯曲，而机器人操纵工具，并将其放置在所需的姿势。这些约束减少了缠绕并减小了由线缆在机器人关节上引起的扭矩。仿真和真实世界的实验表明，受约束的规划器可以成功地规划机器人运动的悬浮系留工具的操作，防止机器人损坏电缆或得到其手臂纠缠，潜在地避免事故。该规划器在制造单元中具有广阔的应用前景。
2018-12-15 cs.RO
POMDP Manipulation Planning under Object Composition Uncertainty
Aalto University（阿尔托大学）；TU Darmstadt（达姆施塔特工业大学）
在杂乱的环境中操纵未知对象是困难的，因为将场景分割成对象，即对象组成是不确定的。由于这种不确定性，早期的工作集中在识别“最佳”对象组合并相应地决定操作动作，或者试图收集关于“最佳”对象组合的信息。与以前的工作相反，我们1）在规划中利用不同的可能对象组成，2）利用机器人动作提供的对象组成信息，3）考虑到不同的竞争对象假设对实际任务的影响。我们铸造的操纵规划问题作为一个部分可观察的马尔可夫决策过程（POMDP），计划在可能的假设对象组成。POMDP模型选择最大化长期预期任务特定效用的行动，同时考虑信息行动的价值和不同对象假设对任务完成的影响。在使用RGB-D传感器、Kinova Jaco和Franka Panda机器人手臂的模拟和实验中，概率方法优于仅考虑最可能的对象组成的方法，并且长期规划优于贪婪决策。
2020-10-26 cs.RO
Enhancing Dexterity in Confined Spaces: Real-Time Motion Planning for Multi-Fingered In-Hand Manipulation
Swiss Federal Institute of Technology in Lausanne (EPFL)（洛桑联邦理工学院）
针对多指机械手内操作中的实时避碰难题，本文用神经网络显式建模可实时检索的无碰撞空间，并结合 C-space、动力系统闭环控制与采样规划，提升高维路径查找效率和动态避障能力。
2024-07-08 cs.RO
Grasping for a Purpose: Using Task Goals for Efficient Manipulation Planning
Institute for Robotics and Intelligent Machines（机器人与智能机器研究所）；Georgia Institute of Technology（佐治亚理工学院）
在本文中，我们提出了一种有效的把握选择未知物体的操作任务的方法。即使对于简单的任务，如拾取和放置，一个独特的解决方案是罕见的。相反，必须考虑并（潜在地）测试多个候选抓取，直到找到一个成功的、运动学上可行的路径。为了使这个过程有效，抓取应该被排序，使得那些更有可能成功的抓取首先被测试。我们建议使用掌握可操作性作为一个度量优先掌握。我们目前的模拟实验结果表明，我们的度量的有用性。此外，我们目前的实验与我们的物理机器人执行简单的操作任务与一小部分不同的家用物品。
2016-03-14 cs.RO
Region-Based Planning for 3D Within-Hand-Manipulation via Variable Friction Robot Fingers and Extrinsic Contacts
Worcester Polytechnic Institute（伍斯特理工学院）；Imperial College London（伦敦帝国理工学院）
实现机器人手内操纵（WIHM）的尝试通常利用具有精细感测装置的高DOF机器人手或多臂机器人系统。在以前的工作中，我们提出了一个简单的机器人手与可变摩擦机器人手指，它允许一个低复杂度的方法，手内物体的平移和旋转，虽然这种操作仅限于平面动作。在这项工作中，我们扩展了该系统的能力，三维操纵一个新的区域为基础的WIHM规划算法，并利用外部接触。调节手指摩擦力的能力增强了三维WIHM的外在灵活性，并允许我们在准静态水平下操作。基于区域的规划器自动生成具有修改的A* 公式的3D操作序列，该修改的A* 公式导航手指和对象表面之间的接触区域以到达期望的区域。该方法的核心是一组物体运动基元（即手内滑动，旋转和旋转），这可以很容易地通过改变接触摩擦来实现。通过这种方法，可以实现广泛的目标区域，这是通过真实的机器人实验后，标准化的手操作基准协议证明。
2021-05-20 cs.RO
kPAM-SC: Generalizable Manipulation Planning using KeyPoint Affordance and Shape Completion
Massachusetts Institute of Technology（麻省理工学院）
操作规划是计算机器人轨迹的任务，该轨迹将一组对象移动到其目标配置，同时满足物理可行性。与现有的作品，假设已知的对象模板相比，我们感兴趣的是操纵规划一类对象与潜在的未知实例和大的类别内形状变化。为了实现这一目标，我们需要一个对象表示与操纵规划可以原因的物理可行性和所需的对象配置，同时被推广到新的实例。广泛使用的姿势表示是不合适的，因为从一个固定的模板表示一个对象的参数化变换不能捕捉大的类别内形状变化。因此，我们提出了一种新的混合对象表示的语义关键点和密集的几何（点云或网格）作为感知模块和运动规划器之间的接口。利用基于学习的关键点检测和形状完成方面的进步，可以从原始传感器输入中感知密集的几何形状和关键点。使用建议的混合对象表示，我们制定的操作任务作为一个运动规划问题，编码的对象目标配置和物理可行性的一类对象。以这种方式，许多现有的操纵规划器可以被推广到对象的类别，并且所得到的感知到动作操纵流水线对大的类别内形状变化是鲁棒的。大量的硬件实验表明，我们的流水线可以产生机器人轨迹，完成与以前从未见过的对象的任务。
2019-09-16 cs.CV cs.RO
Tethered Tool Manipulation Planning with Cable Maneuvering
Osaka University（大阪大学）；National Inst. of AIST（日本产业技术综合研究所）
在本文中，我们提出了一个规划器使用双臂机器人操纵系留工具。规划器生成机器人运动序列，以操纵工具及其电缆，同时避免机器人电缆纠缠。首先，规划器生成一个对象操作运动序列（OMMS）来处理工具，并将其放置在所需的姿势。其次，规划器检查与OMMS相关联的工具运动，并计算电缆滑块的候选位置，以操纵工具电缆并避免碰撞。最后，规划器确定最佳滑块位置以避免缠绕，并生成线缆操纵运动序列（CMMS）以将滑块放置在这些位置。机器人执行OMMS和CMMS来处理工具及其电缆，以避免缠绕和过度的电缆弯曲。仿真和真实世界的实验有助于验证所提出的方法。
2019-09-24 cs.RO
Human-in-the-loop Robotic Manipulation Planning for Collaborative Assembly
Osaka University（大阪大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
提出了一种面向人机协同装配的机器人操作规划器。与以往研究一个独立的、完全配备人工智能的自主系统的方法不同，本文探讨了机器人和人之间的子任务分配，并研究了一个用于协同装配的人在回路机器人系统。该系统通过利用机器人和人类的优势，避免他们的缺点，分配装配的子任务。系统中的机器人将执行拾取和放置任务，并为人类提供工件。人类合作者将工作的精细操作，如对齐，固定，拧，等约束为基础的增量操作规划方法，提出了产生的机器人的运动。所提出的系统的性能证明，要求一个人和双臂机器人协作组装一个内阁。实验结果表明，所提出的系统和规划器是有效的，高效的，可以帮助人类舒适地完成装配任务。
2019-09-25 cs.RO
Prediction of Bottleneck Points for Manipulation Planning in Cluttered Environment using a 3D Convolutional Neural Network
BITS Pilani（pilani大学）；BITS Pilani, Dubai Campus（pilani大学迪拜校区）
工业机器人的最新研究旨在使人类机器人的无缝协作成为可能。为此，工业机器人被期望在非结构化和杂乱的环境中工作，因此感知驱动的运动规划的主题起着至关重要的作用。对于具有实时的约束的高维运动规划问题，基于采样的运动规划器被证明是最有效的。随机采样器存在“窄通道”或瓶颈区域现象，需要有针对性的采样来提高收敛速度。在各种规划问题中识别这些瓶颈区域也是一项挑战。在本文中，试图解决这两个问题，设计了一个智能的“瓶颈引导”启发式的快速探索随机树星（RRT*）的规划者，这是基于相关的背景下提取的规划方案，使用3D卷积神经网络，它也证明了所提出的技术推广到看不见的问题实例。本文基准的技术（瓶颈引导RRT*）对10%的目标偏向RRT星规划，规划时间和内存的要求显着改善，并使用ABB 1410工业机械手作为平台的植入和验证的结果。
2019-11-12 cs.AI cs.DS cs.LG
Implicit Contact-Rich Manipulation Planning for a Manipulator with Insufficient Payload
Osaka University（大阪大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
本文使用一个移动机械手与协作机器人手臂操纵物体超过机器人的最大有效载荷。提出了一种基于单次概率路径图的环境支持下的操作运动规划和优化方法。该方法使用扩展的对象网格模型来检查接触，并随机探索对象运动，同时保持接触并确保负担得起的抓握力。它使用基于优化的算法获得对象运动后生成机器人运动轨迹。在所提出的方法的帮助下，我们可以计划接触丰富的操作，而无需特别分析对象的接触模式及其过渡。规划器和优化器自动确定它们。我们进行了实验和分析，使用模拟和现实世界的执行，以检查该方法的性能。它可以成功找到满足接触、力和运动学约束的操作运动，从而允许移动机械手移动重物，同时利用环境障碍物的支撑力。该方法不需要显式地分析接触状态和建立接触转移图，为机器人的无抓取操作、无接触操作和有接触操作等提供了新的视角。
2023-02-26 cs.RO
RealAppliance: Let High-fidelity Appliance Assets Controllable and Workable as Aligned Real Manuals
Peking University（北京大学）；Jingdong Technology Information Technology Co., Ltd（京东科技信息技术有限公司）
RealAppliance通过高保真家电资产和对齐手册的基准测试，推动家电操控技术的发展。
2025-11-29 cs.AI cs.CV cs.RO
Planning-Guided Diffusion Policy Learning for Generalizable Contact-Rich Bimanual Manipulation
Boston Dynamics AI Institute（波士顿动力人工智能研究所）；UC San Diego（加州大学圣迭戈分校）；Cornell University（康奈尔大学）
提出 GLIDE 框架，利用基于模型的运动规划在高保真仿真中生成大规模双臂接触操作演示，并训练任务条件化扩散策略，结合关键设计缩小仿真到现实差距，实现对多样未见物体的鲁棒泛化操作。
2025-02-14 cs.CV cs.LG cs.RO
Homotopic Path Set Planning for Robot Manipulation and Navigation
The Chinese University of Hong Kong（香港中文大学）；Multi-Scale Medical Robotics Center（多尺度医学机器人中心）
针对机器人操作与导航中的多约束路径集规划难题，提出含扩展可见性检查、通道感知单路径规划、可变形路径迁移的同伦路径集规划流程，经仿真与实验验证有效。
2024-07-11 cs.RO
Learning Feasibility of Factored Nonlinear Programs in Robotic Manipulation Planning
TU Berlin（柏林工业大学）；Technion（以色列理工学院）
针对因子化非线性规划不可行性检测计算成本高的问题，提出图神经网络架构预测联合不可行的变量与约束，能泛化至更大规模问题，在机器人操作规划中将冲突提取算法加速达50倍。
2023-05-23 cs.RO
In-hand manipulation planning using human motion dictionary
Sorbonne Universite（索邦大学）；University of Genoa（热那亚大学）
本文提出一种基于运动基元字典的方法，通过优化组合指尖运动基元，使机器人生成与人类一致的掌内操作运动，并隐式继承操作约束。
2023-08-29 cs.RO
