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
Visibility-Aware Navigation Among Movable Obstacles
MIT（麻省理工学院）；CSAIL（计算机科学与人工智能实验室）
在本文中，我们研究了可移动障碍物（VANAMO）之间的可行性感知机器人导航的问题。著名的NAMO机器人规划问题的一个变体，VANAMO提出了额外的可见性限制机器人运动和对象的可移动性。这个新的问题公式解除了限制性的假设，即地图是完全可见的，物体的位置是完全已知的。我们提供了一个正式的VANAMO问题的定义，并提出了寻找和操纵反向链接（LaMB）算法来解决这些问题。LaMB有一个简单的基于视觉的API，使其更容易转移到现实世界的机器人应用程序，并扩展到大型3D环境。为了评估LaMB，我们构建了一组任务，说明了在未知环境中移动基础操作问题中可能出现的可见性和对象可移动性之间的复杂相互作用。我们表明，LaMB优于NAMO和感知能力的运动规划方法，以及简单的组合，他们对复杂的操作问题与部分可观测性。
2022-12-06 cs.RO
Navigate or Relocate? Planning Among Movable Obstacles in Unknown Environments
Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出一种在线框架，在未知环境中通过最短路径决策导航或重新布置可移动障碍物，利用采样和LLM规划相互依赖的重新布置序列，实验证明可扩展且规划质量优于基线。
2026-09-18 cs.RO
NAMO-LLM: Efficient Navigation Among Movable Obstacles with Large Language Model Guidance
Department of Electrical and Systems Engineering, McKelvey School of Engineering, Washington University in St.Louis（电气与系统工程系，麦凯利工程学院，华盛顿大学圣路易斯分校）
针对可移动障碍物导航问题，提出基于大语言模型引导非均匀采样的规划器NAMO-LLM，具有概率完备性，在杂乱环境中运行时间和计划质量优于现有方法。
2025-10-16 cs.RO
Minimum Displacement Motion Planning for Movable Obstacles
University of Genoa（热那亚大学）
本文提出了一个最小位移运动规划问题，其中障碍物的最小位移量，以找到一个可行的路径。我们定义了一个度量的机器人障碍物相交的交叉和使用此惩罚机器人障碍重叠。采用实际的机器人动力学，规划者首先找到一条路径，通过障碍物，最大限度地减少机器人障碍物的交叉点。然后，该度量被用来迭代地取代障碍物，以实现一个可行的路径。提供了几个例子，成功地证明了所提出的问题。
2022-04-27 cs.AI cs.RO
Interactive-FAR:Interactive, Fast and Adaptable Routing for Navigation Among Movable Obstacles in Complex Unknown Environments
University of Maryland（马里兰大学）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
针对复杂未知环境下的可移动障碍物导航问题，提出Interactive-FAR算法，通过改进DV-graph和实时交互规划实现快速自适应路由，大幅提升导航效率并开源代码。
2024-04-11 cs.RO
A Reconfigurable Tracked Robot for Enhanced Obstacle Traversal Through Movable Articulation Point and Internal Mass Relocation
Kyushu University（九州大学）；The University of Electro-Communications（电气通信大学）
该研究提出可重构履带式机器人TRASER，通过带带状弹簧的铰接结构与质心重定位提升越障能力，实验实现74%、66%、59%机身长度的台阶、悬空平台、壕沟越障，为履带机器人最高越障性能。
2026-08-11 cs.RO
Search-Based Path Planning in Interactive Environments among Movable Obstacles
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Maryland（马里兰大学）
本文研究了PAMO问题，通过利用启发式引导搜索部分状态空间，提出了具备完备性和最优性保证的PAMO*及其连续空间扩展算法，实现了在复杂环境中快速规划最优路径。
2025-03-06 cs.AI cs.RO
Adaptive Cost-Map-based Path Planning in Partially Unknown Environments with Movable Obstacles
Graduate School of Information Sciences, Tohoku University（东京大学信息科学研究生院）；Tough Cyberphysical AI Research Center, Tohoku University（东京大学 Tough 联合人工智能研究中心）；Sorbonne University（索邦大学）
本文提出了一种自适应成本图路径规划方法，通过识别可移动障碍物提升机器人在非结构化环境中的导航能力。
2025-10-17 cs.RO cs.SY eess.SY
Planning for Manipulation among Movable Objects: Deciding Which Objects Go Where, in What Order, and How
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
我们感兴趣的拾取和放置风格的机器人操作任务，在混乱和有限的3D可移动物体之间，可以重新安排的机器人，可能会滑动，倾斜，倾斜或推翻。最近提出的算法，M4 M，确定哪些对象需要移动，并通过解决多代理寻路MAPF抽象这个问题。然后，它利用一个nonadmissile推规划器来计算机器人如何实现这些重新安排和刚体物理模拟器的行动，以检查是否满足物理约束编码的问题。然而，M4 M会自动提交在计划期间发现的有效推送，并且如果需要重新排列多个对象，则不会对推送进行排序。此外，M4 M并不推理其他可能导致不同重排和推送的MAPF解决方案。在本文中，我们扩展M4 M和增强M4 M（E-M4 M）-一个系统的图形搜索为基础的求解器，搜索顺序的推动需要重新安排和不同的可能重新安排的场景的可移动物体。我们介绍了几种算法的优化，以规避增加的计算复杂性，讨论的空间问题可解决的E-M4 M和实验表明，无论是在真实的机器人和模拟，它显着优于原来的M4 M算法，以及其他国家的最先进的替代品时，处理复杂的场景。
2023-03-23 cs.AI cs.RO
Push and Drag: An Active Obstacle Separation Method for Fruit Harvesting Robots
Noronn AS；Faculty of Science and Technology, Norwegian University of Life Sciences（挪威生命科学大学科学与技术学院）
有选择地采摘被障碍物包围的目标水果是水果收获机器人的主要挑战之一。与传统的避障方法不同，本文提出了一种结合推拉运动的主动避障策略。基于目标周围障碍物信息的三维视觉感知，生成分离运动和轨迹。线性推动用于清除目标下方区域的障碍物，而包含多个线性运动的锯齿形推动用于推开更密集的障碍物。锯齿形推动可以产生多方向的推动，而侧向运动可以打破目标和障碍物之间的静态接触力，从而帮助夹持器在更复杂的情况下接收目标。此外，我们提出了一种新的拖动操作，以解决位于目标上方的错误捕获障碍物的问题，其中夹持器拖动目标到障碍物较少的地方，然后推回将障碍物移到一边进一步分离。此外，一个图像处理流水线组成的颜色阈值，目标检测，使用深度学习和点云操作，开发实现所提出的方法上的收获机器人。现场试验表明，该方法可以大大提高采摘性能。这种方法有助于以比传统方法更高的成功率收获复杂的水果串。
2020-04-20 cs.RO
Manipulation Planning Among Movable Obstacles Using Physics-Based Adaptive Motion Primitives
Carnegie Mellon University（卡内基梅隆大学）
在杂乱场景中的机器人操作通常需要与对象进行接触丰富的交互。通过非抓取动作进行交互可能更经济，例如，推动其他对象以达到所需的抓取姿势，而不是故意对场景进行抓取重排。对于场景中的每个对象，根据其属性，机器人可能会或可能不会被允许接触，倾斜，或推翻它。为了确保这些约束条件得到满足，在非可伸缩的相互作用，规划者可以查询基于物理的模拟器，以评估复杂的多体相互作用所造成的机器人动作。不幸的是，这是不可行的，以查询模拟器的数千个行动，需要评估在一个典型的规划问题，因为每个模拟是耗时的。在这项工作中，我们表明（i）操纵任务（特别是从桌面或冰箱拾取和放置类型的任务）通常可以通过将机器人-对象交互限制为计划中的自适应运动基元来解决，（ii）这些动作可以作为子目标并入多启发式搜索框架内，以及（iii）将交互限制到这些动作可以帮助减少在规划期间查询模拟器所花费的时间，与基线算法相比，减少高达40倍。我们的算法在仿真和现实世界中的PR 2机器人使用PyBullet作为我们的基于物理的模拟器进行评估。补充视频：\url{https://youtu.be/ABQc7JbeJPM}。
2023-03-23 cs.RO
Computational Tradeoff in Minimum Obstacle Displacement Planning for Robot Navigation
University of Genoa（热那亚大学）
本文从移动机器人运动规划的角度研究了最小障碍位移规划问题。该问题通过移动障碍物来寻找到达目标的最优路径，而移动障碍物由于与障碍物碰撞而不存在路径。然而，这个问题是计算上昂贵的，并且在可移动障碍物的数量的大小上呈指数增长。这项工作着眼于近似的解决方案，是计算密集度较低，从最佳解决方案的最佳成本的一个因素不同。
2023-02-14 cs.AI cs.RO
Bench-Push: Benchmarking Pushing-based Navigation and Manipulation Tasks for Mobile Robots
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）；Department of Electrical and Computer Engineering, University of Waterloo（电气与计算机工程系，滑铁卢大学）；Department of Mechanical Engineering, University of Alberta（机械工程系，阿尔伯塔大学）
提出首个统一的推动式移动机器人导航与操作基准Bench-Push，包含多种模拟环境、新评估指标和基线实现，用于解决可移动障碍物环境中的机器人推动任务评估问题。
2026-06-18 cs.RO
Making Infeasible Tasks Feasible: Planning to Reconfigure Disconnected 3D Environments with Movable Objects
Department of Electrical and Systems Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校电子工程与系统工程系）
本文提出BRiDGE规划器，通过重新配置可移动物体解决断开3D环境中不可达目标区域的导航问题。
2026-01-06 cs.RO
Alternative Paths Planner (APP) for Provably Fixed-time Manipulation Planning in Semi-structured Environments
NVIDIA（英伟达）；Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
在许多应用中，包括物流和制造，机器人操纵器与人类或其他机器人一起在半结构化环境中操作。这些环境在很大程度上是静态的，但它们可能包含一些机器人必须避开的可移动障碍物。这些应用中的操纵任务通常是高度重复的，但需要快速可靠的运动规划能力，通常在严格的时间限制下。现有的基于预处理的方法是有益的，当环境是高度结构化的，但它们的性能下降的存在下，可移动的障碍物，因为这些不是先验建模。我们提出了一种新的预处理为基础的方法称为替代路径规划（APP），提供可证明的固定时间的规划保证在半结构化的环境。APP离线规划一组备选路径，使得对于可移动障碍物的任何配置，来自该组的路径中的至少一个是无碰撞的。在联机执行期间，可以在几微秒内有效地查找无冲突路径。我们评估APP上的7自由度的机器人手臂在半结构化域的不同复杂性，并证明APP是几个数量级的速度比国家的最先进的运动规划器为每个域。我们进一步验证了这种方法与机器人机械手的实时实验。
2021-03-27 cs.RO
Pushing Through Clutter With Movability Awareness of Blocking Obstacles
TU Delft（代尔夫特理工大学）
提出SVG-MPPI框架，结合语义可见性图与模型预测路径积分，考虑障碍物可移动性连续范围，通过物理引擎模拟生成低接触力轨迹，在NAMO任务中优于二元可移动性规划，提高成功率并减少累积接触力。
2025-02-27 cs.RO
Autonomous Obstacle Legipulation with a Hexapod Robot
CSIRO（联邦科学与工业研究组织）；University of Technology Sydney（悉尼科技大学）；University of Queensland（昆士兰大学）
足式机器人在受限的环境中行走时，可能会发现它们唯一的路径被障碍物阻挡。在障碍物是可移动的情况下，多足机器人可以操纵障碍物使用它的腿，让它继续在其path. We提出了一种方法，为六足机器人自主生成操作轨迹检测到的障碍物。以RGB-D传感器为输入，从环境中提取障碍物，并进行过滤，为操作算法提供关键接触点，计算出将障碍物移出路径的轨迹，在30自由度六足机器人上的实验表明，该算法能够有效地利用其前腿在三维环境中操作各种障碍物。
2020-11-12 cs.RO
HERO: Hierarchical Traversable 3D Scene Graphs for Embodied Navigation Among Movable Obstacles
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
HERO通过构建分层可通行3D场景图，重新定义可通行性以提升在复杂环境中的导航效率和可达性。
2025-12-17 cs.AI cs.CL cs.CV
Planning with Selective Physics-based Simulation for Manipulation Among Movable Objects
Carnegie Mellon University（卡内基梅隆大学）
使用基于物理的仿真作为规划模型，使规划者能够推理并生成涉及与世界的非平凡交互的计划。例如，从杂乱的冰箱中抓取牛奶容器可能涉及在其他物体之间移动机器人操纵器，推开可移动的物体并避免与某些易碎容器的相互作用。一个基于物理的模拟器允许一个计划的原因与这些对象的相互作用的影响，并生成一个计划，成功地把握牛奶容器。然而，在规划中使用基于物理的模拟却未得到充分利用。其中一个原因是，基于物理的模拟通常太慢，无法在规划循环中使用，而规划循环通常需要在一两秒内评估数万个动作。在这项工作中，我们开发了一个规划算法，试图解决这一挑战。特别是，它建立在这样的观察基础上，即实际上只需要使用物理来模拟少量的动作，并且可以使用更简单的内部规划模型来评估剩余的动作集，例如围绕障碍物移动手臂，例如，一个简单的碰撞检查模型。受此启发，我们开发了一种名为“基于选择性物理模拟的规划”的算法，该算法可以自动发现应该用物理模拟的内容以及可以利用内部规划模型进行拾取和放置任务的内容。
2020-03-15 cs.RO
Local Path Planning among Pushable Objects based on Reinforcement Learning
University College London（伦敦大学学院）
本文提出基于强化学习的局部路径规划方法，通过多智能体训练和优势演员-评论家算法，实现可推动物体间的灵活避障，并在仿真和四足机器人上验证了其适应性。
2024-03-14 cs.RO
Graph-Based Heuristics for Minimum Constraint Removal in Cluttered Robot Motion Planning
IIIT Hyderabad（印度信息科学与技术研究所海得拉巴分校）；University of Genoa（热那亚大学）
针对杂乱环境中机器人运动规划的最小约束移除（MCR）问题，提出一种基于图的启发式流程，在保证接近最优解的同时，大幅提升计算效率，可有效减少相关任务的总耗时。
2026-10-12 cs.RO
Learning Goal-Directed Object Pushing in Cluttered Scenes With Location-Based Attention
Humanoid Robots Lab, University of Bonn, Germany（波恩大学人形机器人实验室）；School of Informatics, The University of Edinburgh, Edinburgh, UK（爱丁堡大学信息学院）；The Alan Turing Institute, London, UK（艾伦·图灵研究所）；The Lamarr Institute, Bonn, Germany（波恩兰马尔研究所）；The Center for Robotics, University of Bonn, Germany（波恩大学机器人中心）
针对杂乱场景下非抓取式物体推送的欠驱动与避障难题，提出融合位置注意力的强化学习框架，无需预定义路径且考虑目标朝向，经仿真和真实KUKA iiwa机械臂验证可成功避障完成目标位姿推送。
2025-08-01 cs.RO
Learning Rock Pushability on Rough Planetary Terrain
Department of Aerospace Engineering at Embry-Riddle Aeronautical University（艾姆伯-里德航空大学航空航天工程系）
本文提出在非结构化环境中利用移动机器人搭载的机械臂评估并推动障碍物，通过视觉与力反馈估计推动可供性，以重新定位障碍物替代规避，从而提升多智能体长期路径效率。
2025-06-05 cs.LG cs.RO
A Horizon-slicing Approach to Minimum Obstacle Displacement Planning for Robot Navigation
IIIT Hyderabad（海得拉巴国际信息技术学院）；University of Genoa（热那亚大学）
本文研究机器人导航中的最小障碍物位移规划问题，证明其NP难，并提出一种计算强度较低、可在路径长度与障碍物位移量间权衡的近似解。
2026-09-22 cs.AI cs.RO
COVER:COverage-VErified Roadmaps for Fixed-time Motion Planning in Continuous Semi-Static Environments
Department of Robotics Engineering, Worcester Polytechnic Institute (WPI)（机器人工程系，沃斯特理工学院（WPI））
本文提出COVER框架，通过增量构建覆盖验证的路标，为半静态环境提供固定时间内的运动规划解决方案，展示了更广的问题空间覆盖和更高的查询成功率。
2026-04-17 cs.RO
Force Push: Robust Single-Point Pushing with Force Feedback
Technical University of Munich（慕尼黑工业大学）；University of Toronto（多伦多大学）；University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；University of Toronto Robotics Institute（多伦多大学机器人研究所）；Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所）；Vector Institute for Artificial Intelligence（向量人工智能研究所）
针对参数与位姿未知的滑块，本文提出仅依赖接触点力反馈的准静态单点平面推动控制器，并通过仿真和真实实验验证其在直曲线路径及障碍接触场景下的鲁棒性。
2024-06-17 cs.RO
Technical Report: Reactive Planning for Mobile Manipulation Tasks in Unexplored Semantic Environments
University of Pennsylvania（宾夕法尼亚大学）
复杂的操作任务，如多个对象的重排规划，是组合困难的问题。现有的算法要么不能很好地扩展，要么假设了大量关于环境的先验知识，很少有算法能提供任何严格的保证。在本文中，我们提出了一种新的混合控制架构，实现这样的任务与移动机械手。在离散方面，我们丰富了时间逻辑规范与移动操作原语，如移动到一个点，并把握或移动对象。此类规范被转换为自动机表示，它将任务的物理基础编排到移动性或操纵控制器。从离散到连续无功控制器的接地是在线的，并且可以对发现未知障碍物做出响应，或者决定将阻止任务完成的可移动物体推开。尽管问题的复杂性，我们证明，在特定的条件下，我们的架构享有可证明的完整性的离散侧，可证明的终止连续侧，并避免了环境中的所有障碍。模拟说明了我们的架构，可以处理复杂性增加的任务，同时也响应未知的障碍或意外的不利配置的效率。
2021-03-24 cs.RO
Action-Informed Estimation and Planning: Clearing Clutter on Staircases via Quadrupedal Pedipulation
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
针对四足机器人腿部操作中物体被遮挡的问题，提出交互感知的状态估计与感知-动作闭环框架，利用本体感觉预测物体位移，实现楼梯杂物的有效清理，提升任务成功率与跟踪精度。
2025-09-24 cs.RO
Global Contact-Rich Planning with Sparsity-Rich Semidefinite Relaxations
Harvard University（哈佛大学）；Georgia Institute of Technology（佐治亚理工学院）
该研究将富接触运动规划转化为多项式优化问题，利用其多重稀疏性设计出基于Lasserre层级的高阶稀疏半定规划松弛，可快速求解接近全局最优的非凸规划方案，并发布了支持多语言的SPOT工具箱。
2025-09-04 cs.RO math.OC
FMT$^{\mathrm{X}}$: Lazy Wavefront Search for Dynamic Replanning
本文提出FMT$^{\mathrm{X}}$算法，通过代价改进测试和直接代价推送实现动态重规划，实验显示其在路径质量、修复工作量及碰撞检查效率上表现良好，明确了碰撞检测策略对规划性能的影响。
2026-08-21 cs.AI cs.RO cs.SY
