Reinforcement Learning for Picking Cluttered General Objects with Dense Object Descriptors
National Yang Ming Chiao Tung University（阳明交通大学）；Academia Sinica（中央研究院）
针对杂乱通用物体拾取难题，本文提出密集描述符 CODs，并结合预训练网络中间输出与强化学习训练无监督拾取策略，在两倍杂乱度环境中实现 96.69% 的未见物体拾取率。
2023-04-20 cs.CV cs.RO
Fast Object Learning and Dual-arm Coordination for Cluttered Stowing, Picking, and Packing
University of Bonn（波恩大学）
从杂乱的垃圾箱中进行机器人拣选是一项艰巨的任务，亚马逊机器人技术对此提出了挑战。2017年亚马逊机器人挑战赛（ARC）要求将物品存放到存储系统中，挑选特定物品并将其包装到盒子中。在本文中，我们描述了团队NimbRo Picking的入口。我们的深度对象感知管道可以使用自定义转盘捕获系统和迁移学习快速有效地适应新项目。它生成高质量的物品段，并在其上找到抓取姿势。规划组件协调两个机器人手臂之间的操作动作，最大限度地减少执行时间。该系统已在ARC上成功演示，我们的团队在拣选任务和最终的堆取任务中都获得了第二名。我们还评估各个组件。
2018-10-06 cs.RO
DA-Fusion: Deformable Attention-Based RGB-D Fusion Transformer for Unseen Object Instance Segmentation
Interdisciplinary Program in AI, Seoul National University（首尔国立大学人工智能跨学科项目）；Artificial Intelligence Institute, Seoul National University（首尔国立大学人工智能研究所）；Department of Computer Science, Seoul National University（首尔国立大学计算机科学系）
针对物流自动化中未见物体分割难题，提出基于可变形注意力的RGB-D融合Transformer（DA-Fusion），结合RGB与深度数据优势提升分割精度，引入OCBD数据集，实验证明其性能优于现有方法，适用于现实物流任务。
2026-07-21 cs.AI cs.CV
PokeRRT: A Kinodynamic Planning Approach for Poking Manipulation
University of Colorado Boulder（科罗拉多大学博尔德分校）
这项工作介绍了PokeRRT，一种新的运动规划算法，证明戳作为一种有效的非易失性操作技能，使快速操作的对象，并增加机器人的可达工作空间的大小。我们的定性和定量的结果表明，在规划对象的轨迹，通过整洁和杂乱的环境推和抓戳的优势。
2022-02-09 cs.RO
Fast Heuristic Scheduling and Trajectory Planning for Robotic Fruit Harvesters with Multiple Cartesian Arms
Department of Mechanical & Aerospace Engineering University of California, Davis（机械与航空航天工程系加州大学戴维斯分校）；Department of Biological and Agricultural Engineering University of California, Davis（生物与农业工程系加州大学戴维斯分校）
针对多笛卡尔机械臂水果采收的耦合调度与轨迹规划问题，提出一种快速启发式算法，可在水果充足时随机械臂数量增加实现线性加速。
2025-05-15 cs.RO cs.SY eess.SY
Replaceable Bit-based Gripper for Picking Cluttered Food Items
本研究提出了一种可更换位基夹持器，用于高效拾取和投放杂乱食品，通过专用附件和快速切换系统实现高精度和广泛适用性。
2026-01-01 cs.RO
AMO: Adaptive Motion Optimization for Hyper-Dexterous Humanoid Whole-Body Control
UC San Diego（圣迭戈大学）
本文提出AMO框架，融合仿真到现实强化学习与轨迹优化，通过混合数据集缓解分布偏差，在29自由度Unitree G1上实现更稳定、更大工作空间的自适应全身控制，并支持自主任务执行。
2025-05-06 cs.AI cs.LG cs.RO
Safe multi-agent motion planning under uncertainty for drones using filtered reinforcement learning
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Mitsubishi Electric Corporation（三菱电机株式会社）
本文提出一种结合强化学习与机会约束凸优化的多无人机运动规划方法，在不确定杂乱环境中以高概率保证安全避碰，且训练简单、可实时实施。
2023-10-31 cs.AI cs.LG cs.MA
Motion Planning With Gamma-Harmonic Potential Fields
King Fahad University of Petroleum and Minerals（法赫德国王石油与矿业大学）
本文扩展了谐波势场方法，用于处理无法分割为独立区域的机器人工作空间。通过任务导向的概率描述符和目标点生成导航策略，能够适应存在矢量漂移场的复杂环境。
2016-06-29 cs.RO cs.SY eess.SY
Two-Stage Grasping: A New Bin Picking Framework for Small Objects
本文提出两阶段抓取框架，通过密度估计与粗略抓取、精细分割与抓取推挤两阶段，实现杂乱小物体的精确拾取，实验验证其有效性。
2023-05-06 cs.RO
Neural Collision Clearance Estimator for Batched Motion Planning
Google（谷歌）
我们提出了一个神经网络碰撞检测启发式，ClearanceNet，和规划算法，CN-RRT。ClearanceNet学习预测相对于工作空间的分离距离（机器人与工作空间之间的最小距离）。然后，CN-RRT通过利用ClearanceNet的三个关键功能有效地计算运动计划。首先，CN-RRT通过同时扩展多个节点来探索空间，处理数千个冲突检查的批次。第二，CN-RRT自适应地放宽了对更困难问题的清除要求。第三，为了修复错误，CN-RRT在ClearanceNet的梯度方向上移动其节点，并使用传统RRT修复任何剩余错误，从而保持理论上的概率完整性保证。在多达30个自由度的配置空间中，ClearanceNet实现了比传统碰撞检测方法高845倍的加速，而CN-RRT将运动规划的速度提高了42%，并将路径查找效率提高了36%。在一个11自由度的机器人在一个混乱的环境中的实验证实了该方法的可行性在真实的机器人。
2020-07-15 cs.LG cs.RO
Collapse and Collision Aware Grasping for Cluttered Shelf Picking
Dubai Future Labs（迪拜未来实验室）；Birla Institute of Technology and Science, Pilani, Dubai Campus（比拉理工科学与 Pilani 学院迪拜校区）
针对仓库堆叠物品取回中的碰撞与坍塌问题，提出集成物理仿真的抓取规划器，通过重建三维场景评估策略，显著提升效率与成功率。
2025-03-28 cs.RO
Deep Reinforcement Learning for Robotic Pushing and Picking in Cluttered Environment
Tsinghua University（清华大学）；Shenzhen Academy of Robotics（深圳机器人研究院）
本文提出了一种新的机器人抓取系统，用于在复杂场景中自动拾取物体。设计了一种由吸盘和夹持器组成的复合机械手，用于稳定抓取物体。吸盘用于首先将物体从杂物中提起，并且抓持器用于相应地抓持物体。我们利用示能图为吸盘提供像素级提升点候选。为了获得良好的示能图，系统引入了主动探索机制。设计了一个有效的度量来计算当前示能图的奖励，并采用深度Q网络（DQN）来引导机器人手主动探索环境，直到生成的示能图适合抓取。实验结果表明，所提出的机器人抓取系统是能够大大提高机器人抓取的成功率在混乱的场景。
2023-02-21 cs.CV cs.LG cs.RO
Multiple-object Grasping Using a Multiple-suction-cup Vacuum Gripper in Cluttered Scenes
Corporate Research & Development Center Toshiba Corporation（东芝公司企业研发中心）
针对杂乱料箱拣选，提出多吸盘真空夹持器抓取规划器，利用含吸盘ID的3D卷积核匹配可供性区域并排序选优，实验显著提升多类物品拣选效率。
2023-04-21 cs.RO
Look before you sweep: Visibility-aware motion planning
Massachusetts Institute of Technology（麻省理工学院）
本文讨论的问题规划的机器人与定向障碍物检测传感器，必须通过一个杂乱的环境。规划目标是通过为整个机器人（包括传感器）找到一条路径来保持安全，该路径保证机器人在被传感器看到之前不会移动到工作空间的任何部分。虽然大量的工作已经解决了这个问题的一个版本，其中的“视野”的传感器是一个球体周围的机器人，有很少的工作解决机器人与狭窄或闭塞的视野。我们给出了一个正式的定义的问题，几种解决方案的方法与不同的计算权衡，并在说明域的实验结果。
2019-01-18 cs.RO
Connectivity Maintenance and Recovery for Multi-Robot Motion Planning
Brown University（布朗大学）
本文提出了一种基于贝塞尔曲线的实时运动规划算法，用于多机器人系统中维持和恢复连通性，提升在障碍物环境中导航的成功率。
2026-07-20 cs.RO
Robot Navigation in Unknown and Cluttered Workspace with Dynamical System Modulation in Starshaped Roadmap
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对未知杂乱环境下机器人导航问题，提出基于动态构建星形路标与动态系统调制（DSM）的运动规划与控制框架，通过分段多项式生成自由空间星形表示、增量路标搜索及反应式控制，提升导航成功率并缩短行驶时间。
2025-02-11 cs.RO
Learning Tri-mode Grasping for Ambidextrous Robot Picking
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science and Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院人工智能与机器人中心）
复杂场景中的物体拾取是机器人操作领域的一个重要研究方向，而环境复杂的机器人拾取仍然是一个重要而具有挑战性的问题。研究发现，不同的抓取动作（抓取和吸取）的融合可以扩大机器人的抓取范围，而抓取动作和非抓取动作（推动）的融合可以扩大机器人的抓取空间。本文提出了一种Push-Grasp-Suction（PGS）三模式抓取学习网络，通过不同抓取动作的融合以及抓取动作与非抓取动作的融合，实现了机器人的抓取。PGS的抓取分支以点云为输入，通过多任务点云学习生成杂乱场景中抓取和抽吸的6自由度拾取构形。以深度图像为输入的非伸缩分支生成实例分割图和推送配置，配合伸缩动作完成单臂空间外物体的拾取。PGS算法在实际场景中具有很好的泛化能力，实现了最先进的拾取性能。
2023-02-28 cs.RO
Towards Reliable Sequential Object Picking in Clutter: The Runner-up Solution to RGMC 2025
School of Mechanical Engineering, Zhejiang University（浙江大学机械工程学院）
针对杂乱环境中的顺序物体抓取任务，提出集成硬件-软件流水线，结合多功能夹爪设计与物体分布及遮挡关系新表示，实现高效识别、搜索与顺序抓取，获RGMC 2025亚军。
2026-06-12 cs.RO
Hierarchical Planning with Annotated Skeleton Guidance
Texas A&M University（德克萨斯农工大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术研究所）
我们提出了一个分层的机器人引导运动规划算法来指导移动机器人。一个好的骨架映射了包含重要自由度的c空间子空间的连通性，并且能够指导规划者快速找到所需的解决方案。然而，有时骨架并不紧密地代表自由c空间，这经常误导当前的骨架引导规划者。随着C空间被采样，分层的信标引导的规划策略逐渐放松其对工作空间骨架的依赖，从而递增地返回次优路径，这是标准信标引导算法中不能保证的特征。实验比较标准的导航规划器和其他懒惰的规划策略显示显着改善路线图建设运行时间，同时保持多查询问题在混乱的环境中的路径质量。
2022-06-23 cs.RO
Where to relocate?: Object rearrangement inside cluttered and confined environments for robotic manipulation
Korea Institute of Science and Technology（韩国科学技术研究院）
我们提出了一种算法，确定在哪里重新定位对象内的一个混乱和有限的空间，同时重新安排对象检索目标对象。虽然已经提出了决定要删除什么的方法，但在工作空间内放置删除对象的规划并没有得到太多的关注。相反，被移除的对象通常被放置在工作空间之外，这导致额外的费力工作（例如，操纵器和移动基座的运动规划和执行、其它区域的感知）。其他一些方法仅在工作空间内操作对象，但没有原则，因此重新排列变得效率低下。在这项工作中，我们考虑单调（每个对象只移动一次）和非单调的安排问题已被证明是NP-困难的。一旦要重新定位的对象的序列是由任何现有的算法，我们的方法的目的是最大限度地减少拾取和放置动作的数量，放置对象，直到目标变得可访问。从大量的实验中，我们表明，我们的方法减少了取放动作的数量和总执行时间（减少分别高达23.1%和28.1%）相比，基线方法，同时实现更高的成功率。
2020-03-24 cs.RO
SIMPNet: Spatial-Informed Motion Planning Network
针对现有基于采样的运动规划器在高维空间及复杂环境中效率低的问题，提出SIMPNet，其通过GNN与交叉注意力机制生成知情采样，经UR5e评估，性能优于基准规划器。
2026-08-31 cs.RO cs.SY eess.SY
Hierarchical Trajectory (Re)Planning for a Large Scale Swarm
Brown University（布朗大学）
针对杂乱环境中大规模集群的轨迹重规划问题，提出一种结合集中式与去中心化优势的分层路径规划方法，通过划分工作空间并行计算无碰撞路径并进行分布式轨迹优化以避免死锁，在仿真和物理实验中实现了高任务成功率的实时重规划。
2025-01-28 cs.RO
Motion Planning for Unlabeled Discs with Optimality Guarantees
Tel Aviv University（特拉维夫大学）；Massachusetts Institute of Technology（麻省理工学院）
我们研究了无标签（不可区分）的单位盘机器人在一个平面的环境中与多边形障碍物杂乱的路径规划问题。我们引入一个算法，使总路径长度最小化，即，各个路径的长度之和。我们的算法是保证找到一个解决方案，如果存在，或报告说，不存在，否则。它在时间上运行$\tilde{O}(m^4+m^2n^2)$，其中$m$是机器人的数量，$n$是工作空间的总复杂度。而且，返回的解的总长度至多为$\text{OPT}+4m$，其中OPT是最优解成本。据我们所知，这是第一个算法的问题，有这样的保证。该算法已被实现在一个确切的方式，我们目前的实验结果证明其效率。
2015-04-20 cs.CG cs.RO
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
PokeRRT: Poking as a Skill and Failure Recovery Tactic for Planar Non-Prehensile Manipulation
University of Colorado Boulder（科罗拉多大学博尔德分校）
提出 PokeRRT 运动规划算法，将戳刺作为一种非抓持操作技能及失败恢复策略，与抓取放置协同提升操作弹性，实验证明其在杂乱环境中规划轨迹高效，且在成功率和任务时间上优于推挤与抓取。
2024-06-04 cs.RO
Hierarchical Large Scale Multirobot Path (Re)Planning
Brown University（布朗大学）
针对杂乱环境中的大规模多机器人路径规划问题，提出基于多商品流的分层规划器实现实时重规划，计算速度较基线提升500倍，支持多达142个仿真和32个实体机器人无碰撞运行。
2024-09-24 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
ROBI: A Multi-View Dataset for Reflective Objects in Robotic Bin-Picking
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Robotics Institute（机器人研究所）；Epson Canada（爱普生加拿大公司）
在机器人拣箱应用中，感知无纹理、高反射的零件是一项有价值但具有挑战性的任务。高光泽度可能会在RGB图像中引入虚假边缘和不准确的深度测量，特别是在严重混乱的bin场景中。在本文中，我们提出了ROBI（反射对象在BIns）数据集，一个公共数据集的6D对象姿态估计和多视图深度融合的机器人装箱方案。ROBI数据集包括总共63个使用两个主动立体摄像头捕获的垃圾箱拾取场景：一个高成本的Ensenso传感器和一个低成本的RealSense传感器。对于每个场景，单色/RGB图像和深度图是从场景周围的采样视图球体捕获的，并且用可见对象的准确6D姿态和相关联的可见性分数来注释。为了评估深度融合的性能，我们使用高成本的Ensenso相机拍摄了地面真实深度图，对象涂有防反射扫描喷雾。为了展示数据集的实用性，我们在完整数据集上评估了6D对象姿态估计和多视图深度融合的代表算法。评估结果表明，高反射物体的困难，特别是在困难的情况下，由于深度数据质量下降，严重的遮挡和混乱的场景。ROBI数据集可在https://www.trailab.utias.utoronto.ca/robi上在线获得。
2021-10-07 cs.RO
Toward Generalist Neural Motion Planners for Robotic Manipulators: Challenges and Opportunities
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学）；Lab of Biomechatronics and Intelligent Robotics, Department of Biomedical Engineering, Tandon School of Engineering, New York University（生物机械与智能机器人实验室，生物医学工程系，Tandon工程学院，纽约大学）；Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学）；Zachry Department of Civil and Environmental Engineering, Texas A&M University（土木与环境工程系，德克萨斯A&M大学）
本文探讨了通用神经运动规划器在机器人机械臂中的挑战与机遇，分析了现有方法的优缺点，并提出了改进方向。
2026-03-25 cs.AI cs.RO
Deploying Foundation Model-Enabled Air and Ground Robots in the Field: Challenges and Opportunities
GRASP Laboratory, University of Pennsylvania（GRASP实验室，宾夕法尼亚大学）
针对基础模型机器人难以在大规模非结构化野外环境部署的问题，本文介绍SPINE框架的数公里真实任务验证，并通过模型蒸馏实现首个设备端语言模型驱动的UAV规划器。
2025-05-14 cs.AI cs.RO
Sim-Grasp: Learning 6-DOF Grasp Policies for Cluttered Environments Using a Synthetic Benchmark
School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）
本文提出Sim-Grasp，一种集成语言模型的6自由度双指抓取系统，利用含1550物体和790万标注的合成数据集Sim-Grasp-Dataset及Sim-GraspNet网络，在杂乱环境中实现高成功率抓取与目标识别。
2024-07-16 cs.AI cs.RO
A Design Co-Pilot for Task-Tailored Manipulators
Technical University of Munich, Department of Computer Engineering（慕尼黑技术大学计算机工程系）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Georgia Institute of Technology（佐治亚理工学院）
提出一种基于可微框架和逆运动学的生成式方法，可自动设计与优化任务定制的机器人形态，将设计加速至秒级，并在仿真与真实环境中验证了其有效性和适用性。
2025-09-16 cs.AI 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
Sim-Suction: Learning a Suction Grasp Policy for Cluttered Environments Using a Synthetic Benchmark
Purdue University（普渡大学）
本文提出Sim-Suction吸盘抓取策略及合成数据集Sim-Suction-Dataset，通过解析模型与物理仿真生成320万标注位姿，并结合零样本文本到分割学习逐点可供性，在杂乱环境真实实验中显著优于现有基准。
2023-11-27 cs.AI cs.RO
Suction Grasp Region Prediction using Self-supervised Learning for Object Picking in Dense Clutter
Shanghai Jiao Tong University（上海交通大学）
研究了机器人在杂乱环境下的拣选任务。由于拣仓作业中姿态的多样性、堆垛类型的多样性和背景的复杂性，在抓取之前对其进行姿态识别和估计是非常困难的。本文将Resnet与卷积神经网络（CNN）的一种特殊框架--U-net结构相结合，在不需要识别和姿态估计的情况下预测拾取区域。使机器人采摘系统能够从零开始学习采摘技能。同时，我们用在线样本对网络进行端到端的训练。在本文的最后，进行了几个实验来证明我们的方法的性能。
2019-04-24 cs.CV cs.LG cs.RO
A Cross-Environment and Cross-Embodiment Path Planning Framework via a Conditional Diffusion Model
Computer Engineering Department, University of Victoria（维多利亚大学计算机工程系）；Mila-Quebec AI Institute（魁北克AI研究院）；Mechanical Engineering Department, University of Victoria（维多利亚大学机械工程系）
针对机器人路径规划泛化性不足的问题，提出基于扩散模型的GADGET框架，通过混合双条件机制实现零样本跨环境跨具身迁移，在多场景多机器人上表现优于基线，且通过实物验证。
2025-10-21 cs.AI cs.RO
CIDGIKc: Distance-Geometric Inverse Kinematics for Continuum Robots
University of Toronto（多伦多大学）
针对连续体机器人在杂乱环境中的逆运动学难题，提出CIDGIKc算法，利用距离几何参数化将非凸问题转化为半定规划序列，实现超过98%的求解成功率。
2023-06-23 cs.RO
Extended Diffeomorphism for Real-Time Motion Replication in Workspaces with Different Spatial Arrangements
National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院）；Department of System Design Engineering（系统设计工程系）
针对多机器人遥操作中不同工作空间空间布置误差导致运动难以实时复现的问题，提出两种基于预定义关键点的扩展微分同胚平滑映射方法，经双臂UR5机器人拾取实验验证，可兼顾映射精度与运动平滑性。
2025-08-30 cs.RO
Planning along Differentiable Charts of Constraint Manifolds with General-Purpose IK Solvers
Massachusetts Institute of Technology（麻省理工学院）
针对运动学约束下机器人轨迹规划难题，提出利用反函数定理从正向运动学雅可比矩阵计算解析IK参数化梯度，并扩展域以保留梯度信号，经实验验证有效。
2026-09-11 cs.RO
Prismatic Soft Actuator Augments the Workspace of Soft Continuum Robots
ETH Zurich（苏黎世联邦理工学院）
软体机器人具有柔顺性、安全性和高度自由度等优点，在机械操作领域具有广阔的应用前景。然而，常用的双向连续段设计意味着软机器人操作器只能在有限的半球工作空间中工作。本工作通过设计、制造和控制一个附加的柔性棱柱形驱动器来增加柔性机械臂的工作空间。该驱动器由气动人工肌肉和活塞组成，使得驱动器可以反向驱动。我们将任务空间体积增加了116\%，现在我们能够执行以前软体机器人不可能完成的操作任务，例如在表面上的不同位置拾取和放置物体，并从容器中抓取物体。通过将柔性机器人手臂与棱柱关节相结合，我们极大地提高了软体机器人用于物体操作的可用性。这项工作促进了集成和模块化软机器人系统在以人为中心的环境中的实际操作应用的使用。
2022-08-22 cs.RO
A Hybrid Approach for Learning to Shift and Grasp with Elaborate Motion Primitives
Bosch Center for Artificial Intelligence（博世人工智能中心）
机器人在现实世界中的许多可能的应用领域取决于机器人抓取物体的能力。因此，机器人抓取多年来一直是一个活跃的研究领域。通过我们的出版物，我们致力于使机器人能够抓取，特别关注垃圾箱拾取应用。由于物体的通常杂乱和非结构化的布置以及通过简单的自上而下的抓握对物体的通常有限的可抓握性，箱子拾取尤其具有挑战性。为了应对这些挑战，我们提出了一个完全自我监督的强化学习方法的基础上的混合离散-连续适应软演员-评论家（SAC）。我们采用参数化的运动原语推和抓运动，以使一个灵活的适应性强的行为，我们考虑的困难设置。此外，我们使用数据增强来提高样本效率。我们证明了我们提出的方法具有挑战性的采摘场景中，平面把握学习或动作离散化方法将面临很多困难
2021-11-02 cs.AI cs.RO
Visual Whole-Body Control for Legged Loco-Manipulation
UC San Diego（加州大学圣迭戈分校）
针对腿式机器人移动操作工作空间受限的问题，提出视觉全身控制框架VBC，通过高低层策略结合实现视觉驱动的自主全身控制，经Sim2Real迁移后在多场景拾物任务中显著优于基线方法。
2024-11-02 cs.CV cs.LG cs.RO
A Task and Motion Planning Framework Using Iteratively Deepened AND/OR Graph Networks
Konecranes（科尼集团）；IIIT Hyderabad（印度信息技术研究所海得拉巴分校）；University of Genoa（热那亚大学）
本文提出一种基于运行时迭代加深AND/OR图网络的任务与运动规划框架，通过逐步扩展子图应对子任务数量未知的TAMP问题，并支持多机器人任务分配与协调，在仿真和真实机器人上验证了其可扩展性和有效性。
2025-03-10 cs.AI cs.RO
Design and Workspace Characterisation of Malleable Robots
Imperial College London（帝国理工学院）
对于传统串行机器人手臂执行的大多数任务，例如垃圾箱拾取或拾取和放置，运动仅需要两个或三个自由度（DOF）;然而，通过增加自由度的数量，可以实现机器人手臂在多个任务中的进一步灵活性。代替增加机器人的关节的数量以提高灵活性和适应性，这增加了整个系统的控制复杂性、重量和成本，可延展机器人在关节之间利用可变刚度连杆，允许连杆的每个端部处的转动对的相对定位变化，从而使得低DOF串联机器人能够通过改变其工作空间来适应任务。本文提出了一种二自由度可展性机器人的设计和样机制作方法，采用基于距离几何的参数化方法计算了其工作空间的一般方程--适用于变拓扑结构的机器人手臂，并通过重构确定了机器人末端执行器可跟踪的工作空间类别。通过设计和建造的可塑性机器人，我们探讨设计的考虑因素，并证明整体概念的可行性。通过使用物理机器人上的运动跟踪，我们展示了无限数量的例子，介绍了2自由度可塑性机器人可以实现。
2020-09-14 cs.RO
A Cooperative Aerial System of A Payload Drone Equipped with Dexterous Rappelling End Droid for Cluttered Space Pickup
School of Aerospace Science and Engineering, Beihang University（北京航空航天大学航空航天科学与工程学院）；Hangzhou International Innovation Institute of Beihang University（北京航空航天大学杭州国际创新研究院）；Institute of Unmanned System, Beihang University（北京航空航天大学无人系统研究院）；Tianmushan Laboratory（天门山实验室）
针对杂乱空间缆绳易缠绕问题，提出载荷无人机与灵巧垂降末端机器人协作系统，通过轨迹优化和缆绳动力学模型实现安全拾取，仿真与实验验证了有效性。
2025-05-26 cs.RO cs.SY eess.SY
Virtual Maps for Autonomous Exploration of Cluttered Underwater Environments
Stevens Institute of Technology（史蒂文斯理工学院）；Amazon Robotics（亚马逊机器人）；Exyn Technologies（Exyn科技）；SRI International（斯坦福国际研究院）
我们考虑自主移动机器人在未知环境中的探索问题，考虑到机器人的覆盖率，地图的不确定性，和状态估计的不确定性。本文提出了一种新的探索框架，水下机器人在复杂的环境中工作，建立在同时定位与地图构建（SLAM）与成像声纳。所提出的系统包括路径生成，地方识别预测，信念传播和效用评估使用虚拟地图，估计整个机器人的工作空间与地图单元格相关的不确定性。我们在模拟实验中评估了该框架的性能，结果表明，我们的算法在探索过程中保持了较高的覆盖率，同时还保持了较低的映射和定位误差。我们的框架在现实世界中的适用性也证明了水下遥控潜水器（ESTA）探索港口环境。
2022-02-16 cs.RO
Robust Skills, Brittle Grounding: Diagnosing Restricted Generalization in Vision-Language Action Policies via Multi-Object Picking
Naver Labs Europe（纳维尔实验室欧洲）
通过多对象拾取实验发现，视觉语言动作策略在复杂环境下执行基本操作比遵循指令更可靠，表明技能获取与指令遵循脱节，需改进基准测试以更准确诊断泛化能力。
2026-02-27 cs.RO
Instance Segmentation of Visible and Occluded Regions for Finding and Picking Target from a Pile of Objects
University of Tokyo（东京大学）；JSK Laboratory（JSK实验室）
我们提出了一种机器人系统，用于从一堆物体中挑选目标，该目标能够通过以适当的顺序移除障碍物来找到并抓住目标物体。其基本思想是用可见和被遮挡的遮罩来分割实例，我们称之为“实例遮挡分割”。为了实现这一目标，我们扩展了现有的实例分割模型与一种新的“回顾”架构，该模型明确学习实例间的关系。此外，通过使用图像合成，我们使系统能够处理新的对象，而无需人工注释。实验结果表明，与传统的模型相比，以及与人类注释的数据集相比，图像合成的relook架构的有效性。我们还展示了我们的系统，以实现挑选一个目标，在一个混乱的环境中与一个真正的机器人的能力。
2020-01-21 cs.CV cs.RO
Corner-Grasp: Multi-Action Grasp Detection and Active Gripper Adaptation for Grasping in Cluttered Environments
School of Mechanical Engineering, Sungkyunkwan University（成均馆大学机械工程学院）；AIDIN ROBOTICS Inc.（AIDIN ROBOTICS公司）
提出Corner-Grasp方法，利用多功能夹爪和主动适应策略，通过神经网络从RGB-D图像检测抓取点，解决杂乱料箱拣选环境中的抓取与碰撞问题，并在ICRA 2024竞赛中验证有效性。
2025-04-02 cs.LG cs.RO
Provably Safe Motion Planning Under Unknown Disturbances
Department of Aerospace Engineering Sciences at the University of Colorado Boulder（科罗拉多大学博尔德分校航空航天工程科学系）；Department of Aerospace and Ocean Engineering（航空航天与海洋工程系）；Delft University of Technology（代尔夫特理工大学）；Italian Institute of Artificial Intelligence（意大利人工智能研究所）
针对未知分布随机扰动下的机器人系统，提出一种基于Wasserstein模糊管的学习型采样运动规划算法，实现概率完备且保守性低的安全规划。
2026-05-30 cs.RO cs.SY eess.SY
Paramater Optimization for Manipulator Motion Planning using a Novel Benchmark Set
Chemnitz University of Technology（开姆尼茨工业大学）
本文基于新型机械臂运动规划基准，分析多样化场景下规划器参数的优化设置，揭示问题特征与最优参数的关系，并给出多场景推荐参数。
2023-02-28 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
DoraPicker: An Autonomous Picking System for General Objects
Dorabot Inc.（多拉机器人公司）；University of Hong Kong（香港大学）；Advanced Industrial Science and Technology（日本产业技术综合研究所）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；City University of Hong Kong（香港城市大学）
自动操作仓库内物体的机器人有可能缩短包裹交付时间并提高电子商务行业的效率。在本文中，我们提出了一个机器人系统，能够在仓库场景中拾取和放置一般对象。给定一个目标物体，机器人可以自主地从架子或桌子上检测它，并估计它的完整6D姿态。有了这个姿势信息，机器人使用它的抓手拾取物体，然后将其放入容器或指定位置。我们详细描述了我们的取放系统，同时强调我们的设计原则，仓库设置，包括感知方法，利用其工作空间的知识，三个抓手设计来处理各种不同的物体的形状，重量和材料，并在混乱的情况下抓取规划。我们还提出了广泛的实验来评估我们的拣选系统的性能，并证明机器人能够胜任在仓库环境中完成各种任务，例如从狭小的空间中拣选目标物品，从货架上抓取不同的物体，以及在桌子上执行拾取和放置任务。
2016-03-21 cs.RO
