Effectively Rearranging Heterogeneous Objects on Cluttered Tabletops
Rutgers, the State University of New Jersey（罗格斯大学新泽西州立大学）
本研究针对杂乱桌面上的异构物体长时序顺序重排问题，基于组合算法和Monte Carlo tree search开发了能优化大小和重量等属性的先进求解器，仿真与真实机器人实验均证实其在复杂重排任务中的显著优势。
2023-06-30 cs.RO
ReloPush-BOSS: Optimization-guided Nonmonotone Rearrangement Planning for a Car-like Robot Pusher
Department of Robotics, University of Michigan（机器人系，密歇根大学）
ReloPush-BOSS通过优化预重排和深度优先搜索，实现高效非单调重排规划，适用于密集障碍环境中的车式机器人推手任务。
2026-01-29 cs.RO
Multi-Stage Monte Carlo Tree Search for Non-Monotone Object Rearrangement Planning in Narrow Confined Environments
Purdue University（普渡大学）
针对狭窄受限空间中的非单调物体重排规划问题，提出多阶段蒙特卡洛树搜索方法，通过物体阶段拓扑解耦问题并联合高低层规划，在规划时间、步数和移动距离上优于现有方法。
2024-08-07 cs.RO
Coordination of multiple mobile manipulators for ordered sorting of cluttered objects
Sogang Univ.（西江大学）；Univ. of Michigan（密歇根大学）
本文提出一种多移动机械臂协调分拣方法，通过搜索满足顺序约束的分拣序列并结合贪心任务分配，高效解决杂乱环境中的非单调物体重排问题。
2023-10-09 cs.RO
ReloPush: Multi-object Rearrangement in Confined Spaces with a Nonholonomic Mobile Robot Pusher
University of Michigan（密歇根大学）
ReloPush通过构建Push-Traversability图统一表示几何、运动学与物理约束，将多物体重排分解为单物体推动序列，在密集杂乱受限空间中实现比基线快数个数量级且更稳健的非完整移动机器人推动规划。
2025-03-12 cs.RO
EgoPush: Egocentric Multi-Object Rearrangement for Mobile Robots via Constrained Teacher Observability
New York University（纽约大学）
EgoPush通过端到端学习实现移动机器人第一人称多物体重排，利用感知驱动的潜在空间和阶段分解奖励提升重排效率与现实迁移能力。
2026-09-21 cs.RO
Safe, Occlusion-Aware Manipulation for Online Object Reconstruction in Confined Spaces
Rutgers University（罗格斯大学）
最近的工作在机器人操作的重点对象检索在混乱的空间下闭塞。然而，大多数的努力缺乏分析的条件下的完整性的方法或方法适用时，对象可以从工作空间。这项工作制定了一般的，闭塞意识的操作任务，并专注于安全的对象重建在有限的空间与就地重排。它提出了一个框架，确保安全性与完整性保证。此外，算法，这是一个实例化的抽象框架单调的情况下，开发和评估经验，通过比较对随机和贪婪的基线随机生成的实验模拟。即使对于具有真实对象的杂乱场景，所提出的算法也显着优于基线，并在实验条件下保持较高的成功率。
2022-09-21 cs.RO
Tabletop Object Rearrangement: Structure, Complexity, and Efficient Combinatorial Search-Based Solutions
本文深入分析了桌面物体过顶抓取重排（TORO）任务的结构与复杂度，针对有外部空间和无外部空间场景分别提出了最小运行缓冲区精确算法与惰性缓冲验证方法，并在多种机械手配置下验证了效率。
2025-01-31 cs.RO
IFOR: Iterative Flow Minimization for Robotic Object Rearrangement
NVIDIA（英伟达）；Princeton University（普林斯顿大学）；Carnegie Mellon University（卡内基梅隆大学）
在非结构化环境中，从视觉中准确地重排物体是各种真实世界机器人应用的关键问题。我们提出了IFOR，迭代流最小化机器人对象重排，一个端到端的方法，具有挑战性的问题，对象重排的未知对象给定的原始和最终场景的RGBD图像。首先，我们学习一个基于RAFT的光流模型，纯粹从合成数据估计对象的相对变换。然后，在迭代最小化算法中使用该流，以实现先前未看到的对象的准确定位。至关重要的是，我们证明了我们的方法适用于杂乱的场景，并且在现实世界中，而只在合成数据上进行训练。有关视频，请访问https://imankgoyal.github.io/ifor.html。
2022-02-01 cs.CV cs.RO
Abstention-Aware Personalized Object Rearrangement via Uncertainty-Guided LLM Assistance
Concordia University（康考迪亚大学）
提出APOLLO框架，结合轻量级个性化嵌入模型与选择性大语言模型辅助，通过不确定性估计在模糊决策时调用LLM，实现高效、隐私保护的弃权感知物体重排。
2026-06-17 cs.RO
Object Rearrangement with Nested Nonprehensile Manipulation Actions
Rutgers University（罗格斯大学）
本文考虑了重排规划问题，即寻找一系列的操作动作，将多个对象从一个初始配置移动到一个给定的目标配置。重新排列是机器人的一项关键技能，以便它们能够在包含杂乱的密闭空间中有效地运行。需要重新布置的任务的示例包括将物体包装在箱子内，其中物体需要根据预定义的图案放置。在紧密的箱子中，无碰撞抓取通常是不可用的。非强制性动作，如推动和滑动，是优选的，因为它们可以使用可以容易地插入到箱中的极简的末端执行器来执行。具有非线性动作的重排是一个具有挑战性的问题，因为它需要在多个对象的组合大配置空间中对对象交互进行推理。这项工作回顾了几个现有的重排规划技术，并介绍了一个新的，利用嵌套的nonprojectile的行动，推动几个类似的对象同时沿同一路径，这消除了需要单独重新安排每个对象。仿真实验和使用一个真正的Kuka机器人手臂显示所提出的方法来解决困难的重排任务，同时减少末端执行器的轨迹的长度的能力。
2019-05-17 cs.RO
Object Rearrangement Using Learned Implicit Collision Functions
NVIDIA（英伟达）；UC Berkeley（加州大学伯克利分校）；University of Washington（华盛顿大学）
机器人物体重排结合了拾取和放置物体的技能。当对象模型不可用时，典型的碰撞检查模型可能无法预测具有遮挡的部分点云中的碰撞，使得无碰撞抓取或放置轨迹的生成具有挑战性。我们提出了一个学习碰撞模型，接受场景和查询对象点云，并预测场景内的6DOF对象姿势的碰撞。我们在100万个场景/对象点云对和20亿个碰撞查询的合成集上训练模型。我们利用学习的碰撞模型作为模型预测路径积分（MPPI）政策的一部分，在桌面重排任务，并表明该政策可以计划无碰撞的把握和放置对象看不见的训练在模拟和物理杂乱的场景与弗兰卡熊猫机器人。在模拟碰撞查询数据集上，学习模型的准确性优于传统管道和学习消融9.8%，并且比性能最佳的基线快75倍。视频和补充材料可在https://research.nvidia.com/publication/2021-03_Object-Rearrangement-Using上获得。
2021-03-26 cs.CV cs.RO
CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation
NVIDIA（英伟达）；University of Washington（华盛顿大学）
本文提出CabiNet神经碰撞模型，利用65万余个程序化杂乱场景和单视图点云训练，结合MPPI规划与SDF航点，实现未知杂乱环境中的机器人无碰撞重排。
2023-04-18 cs.CV cs.RO
SG-Bot: Object Rearrangement via Coarse-to-Fine Robotic Imagination on Scene Graphs
Technical University of Munich（慕尼黑工业大学）；Google（谷歌公司）
本文提出SG-Bot框架，通过场景图表示与由粗到细的想象过程，结合常识与用户指令生成细粒度目标场景并制定动作策略，在物体重排列任务上大幅优于现有方法。
2024-03-24 cs.CV cs.RO
Push-Grasp Policy Learning Using Equivariant Models and Grasp Score Optimization
Northeastern University（东北大学）；Robotics and AI Institute（机器人与人工智能研究所）
针对杂乱环境下的目标条件机器人抓取问题，提出等变推抓网络框架，利用SE(2)-等变性和抓取得分优化策略联合学习推抓动作，显著提升了仿真与真实场景中的抓取成功率。
2025-04-03 cs.RO
3DGS-CD: 3D Gaussian Splatting-based Change Detection for Physical Object Rearrangement
Massachusetts Institute of Technology（麻省理工学院）
提出首个基于3D高斯溅射的变化检测方法3DGS-CD，利用新视图渲染和零样本分割，在18秒内检测3D物体重排，准确率提升14%，速度快三个数量级。
2025-01-18 cs.CV 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
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
COMPASS: Confined-space Manipulation Planning with Active Sensing Strategy
Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，中国深圳）；Department of Electronic Engineering, and the Institute for Embodied Intelligence and Robotics, Tsinghua University, Beijing, China（清华大学电子工程系，以及 embodied intelligence and robotics 研究院，中国北京）；The School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电子与电气工程学院，新加坡）
本文提出COMPASS框架，通过主动感知策略在受限和杂乱环境中实现安全操作，提高了操作成功率。
2026-05-19 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
Similar Part Rearrangement With Pebble Graphs
Rutgers, the State University of New Jersey（罗格斯，新泽西州立大学）
这项工作提出了一种方法，有效地计算操作路径，重新安排在一个混乱的空间中的类似对象。该解决方案可用于将类似的产品以期望的布置放置在工厂地板中，或者用于从被类似尺寸的物体阻挡的货架取回特定的物体。这些都是具有挑战性的问题，因为它们涉及组合大，连续的配置空间，由于存在多个移动机构和运动学复杂的机械手。这项工作利用算法理论，多机器人运动规划和操纵规划的想法，提出适当的图形表示这一挑战。这些表示允许快速推理操纵路径是否允许在整组对象布置之间的过渡，而不必显式地枚举每对布置的路径。所提出的方法还允许利用预先计算给定的操作路线图，用于在同一杂乱空间中传输单个对象。由此产生的方法进行评估，在模拟巴克斯特机器人的现实模型，并在实际系统上开环执行，表明该方法解决了复杂的情况下，是有前途的可扩展性和成功率。
2014-04-25 cs.RO
Neural Rearrangement Planning for Object Retrieval from Confined Spaces Perceivable by Robot's In-hand RGB-D Sensor
Purdue University（普渡大学）
提出一种基于手内摄像头感知的神经物体检索框架，通过重排非目标物体保持路径同伦，高效解决受限空间物体取出问题，计算速度比基线快两个数量级。
2024-02-10 cs.RO
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
Object Placement on Cluttered Surfaces: A Nested Local Search Approach
Sabancı University（萨班哲大学）
为了规划杂乱中的对象的重新布置，需要知道对象的目标配置。然而，在现实生活中，这些信息在大多数情况下是不可用的。我们介绍了一种新的方法，计算一个无碰撞放置的对象在一个杂乱的表面上，同时最大限度地减少现有的可移动对象的位移的总数和量。我们的方法应用嵌套的本地搜索，执行多目标优化的指导下，算法。实验结果表明，我们的方法具有较高的计算效率和成功率，以及良好的解决方案的质量。
2019-06-20 cs.AI 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
Coverage First Next Best View for Inspection of Cluttered Pipe Networks Using Mobile Manipulators
Manchester Centre for Robotics and AI, The University of Manchester（曼彻斯特机器人与人工智能中心，曼彻斯特大学）；The University of Tokyo（东京大学）
本文提出了一种基于下一步最佳视角的规划方法，用于在受限环境中同时进行探索和利用，通过信息增益重新表述覆盖路径规划问题，实现了对管道网络的自主覆盖检查。
2026-03-17 cs.RO
Lazy Rearrangement Planning in Confined Spaces
Rutgers University, The State University of New Jersey（罗格斯大学，新泽西州立大学）
对象重排对于许多应用是重要的，但仍然具有挑战性，特别是在诸如货架的有限空间中，其中对象不能从上方访问并且它们阻碍彼此的可达性。这样的约束需要许多运动规划和碰撞检查调用，这在计算上是昂贵的。此外，排列空间随着对象的数量呈指数增长。为了解决这些问题，这项工作引入了一个懒惰的评价框架，局部单调求解器和全局规划器。单调实例是那些可以通过移动每个对象最多一次来解决的实例。一个关键的见解是，在对象的开始和目标的把握可达性约束可以快速揭示对象之间的依赖关系，而不必执行昂贵的运动规划查询。考虑到这一点，局部求解器会延迟地构建一个搜索树，该搜索树遵守这些可达性约束，而不验证臂路径是否无冲突。该框架只在找到有希望的解时进行碰撞检查，如果没有找到单调解，非单调规划器加载惰性搜索树，并探索如何将对象移动到中间位置，从那里可以找到目标的单调解。结果表明，该框架可以解决最多16个对象的受限空间中的困难实例，这是最先进的方法无法解决的。当替代方案找到解决方案时，它也比替代方案更快地解决问题。它还实现了高质量的解决方案，即，对于非单调实例，平均仅需要1.8个附加动作。
2022-10-12 cs.AI 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
MO-SeGMan: Rearrangement Planning Framework for Multi Objective Sequential and Guided Manipulation in Constrained Environments
LIRA Lab, Bilkent University, Turkey（比尔肯大学LIRA实验室，土耳其）；LIS Lab, TU Berlin, Germany（柏林技术大学LIS实验室，德国）；Department of Computer Engineering, Bilkent University（比尔肯大学计算机工程系）
本文提出MO-SeGMan框架，通过惰性评估最小化重规划与移动距离，结合选择性引导前向搜索和自适应子目标细化方法，高效解决高度受限的复杂重排规划问题，在九项基准任务中实现更快的求解速度与更优的解质量。
2025-11-03 cs.AI 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
Fast and resilient manipulation planning for target retrieval in clutter
Korea Institute of Science and Technology（韩国科学技术研究院）
本文提出了一个任务和运动规划（TAMP）框架的机器人机械手，以检索一个目标对象从杂波。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，以检索目标没有碰撞。为了快速完成对象重新排列，机器人的目标是优化的拾取和放置动作的数量，这往往决定了TAMP框架的效率。我们提出了一个任务规划器结合运动规划，以产生可执行的计划，其目的是尽量减少数量的取放行动。除了完全已知的和静态的环境，我们的方法可以处理不确定的和动态的情况下所产生的闭塞的意见。与基线方法相比，我们的方法减少了拾取和放置动作的数量（例如，在具有20个对象的已知静态环境中至少减少28.0%）。
2020-03-24 cs.DM cs.RO
FRTree Planner: Robot Navigation in Cluttered and Unknown Environments with Tree of Free Regions
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））；Great Bay University（大湾区大学）
针对杂乱且含狭窄通道的未知环境导航问题，提出FRTree规划器，通过动态构建自由区域树整合实时感知信息，结合机器人几何分析与双层轨迹优化，在仿真及实机实验中生成更优的安全高效运动规划。
2025-02-13 cs.RO
Open-Set Object Detection Using Classification-free Object Proposal and Instance-level Contrastive Learning
Zhejiang University（浙江大学）
本文提出 Openset RCNN，通过无分类区域提议网络和原型学习网络分别解决物体与背景分离及开放集分类问题，并构建新基准验证其在机器人杂乱环境重排任务中的开放集感知能力。
2023-12-04 cs.CV cs.RO
Motion Planning for a UAV with a Straight or Kinked Tether
Texas A&M University（德克萨斯农工大学）
针对绳系无人机在受限和杂乱环境中可能接触和不接触的情况，提出了两种运动规划算法，并进行了比较。系留飞行器由于其诸如动力持续时间、稳定性和安全性的优点而被研究。然而，由额外的系绳带来的缺点还没有得到很好的研究，由机器人运动社区，特别是当拴系代理是在一个非自由空间中被障碍物占据。在这项工作中，我们提出了两个运动规划框架，（1）减少可达的配置空间，考虑到系绳和（2）故意计划（和放松）的系绳与环境的接触点，并使一个等效的可达配置空间的非系绳对应。这两种方法都在物理机器人Fotokite Pro上进行了测试。通过我们的方法，系留飞行器可以在有障碍物的受限和混乱环境中找到应用，而不是理想的自由空间，同时仍然保持使用系绳的优势。该运动规划策略特别适用于有袋类异类机器人团队，如视觉伺服/协助另一个移动的，远程操作的主要机器人。
2018-11-06 cs.RO
Dynamic Buffers: Cost-Efficient Planning for Tabletop Rearrangement with Stacking
Human and Robot Interaction Laboratory, School of Electrical and Computer Engineering, University of Tehran（人类与机器人交互实验室，电气与计算机工程学院，塔里班大学）
针对桌面整理中固定缓冲与静态堆叠导致的低效问题，提出 Dynamic Buffer 可移动临时堆叠规划原语，显著降低密集和大规模场景的机械臂移动成本。
2026-09-29 cs.AI cs.RO
Polygonal Cone Control Barrier Functions (PolyC2BF) for safe navigation in cluttered environments
Robert Bosch Center for Cyber Physical Systems (RBCCPS)（罗伯特·博世网络物理系统中心）；Indian Institute of Science (IISc)（印度科学学院）
本文提出多边形锥控制屏障函数（PolyC2BF），以二次规划形式解决复杂杂乱环境中多机器人无碰撞导航的过度估计与计算复杂性问题，并通过PyBullet仿真验证其有效性。
2024-03-27 cs.RO cs.SY eess.SY
Language-Guided Grasping under Partial Observation for Mobile Manipulation in Field Inspection and Maintenance
Department of Mechanical Engineering, Federal University of Uberlândia（联邦大学伯南迪利亚机械工程系）；Department of Mechanical Engineering, University of São Paulo（圣保罗大学机械工程系）；Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究生院）；Faculdade Israelita de Ensino e Pesquisa Albert Einstein, Hospital Israelita Albert Einstein（艾伯特·爱因斯坦以色列教学与研究学院，艾伯特·爱因斯坦医院）
提出用于腿部移动操纵器在部分观察下的语言引导抓取流程，经多步骤处理，在四足机器人上实现并评估，相比基线提高抓取成功率，提升语言引导抓取可靠性。
2026-09-17 cs.LG cs.RO cs.SY
Autonomous, Monocular, Vision-Based Snake Robot Navigation and Traversal of Cluttered Environments using Rectilinear Gait Motion
Georgia Institute of Technology（佐治亚理工学院）
蛇形机器人运动的直线形式预计将在障碍物遍布的情况下具有优势，这些情况是城市灾害区，地下塌陷和其他自然环境的特征。与这些运动策略相关联的细长的、横向狭窄的足迹非常适合于穿越有限的空间和狭窄的路径。然而，在缺乏全球感知的情况下，导航和路径规划仍然是在实际部署这些机器人机制之前需要解决的关键挑战。需要解决与视觉处理和定位相关的几个挑战，以实现导航。作为这个方向的第一步，我们在机器蛇的头部安装了一个无线的单目彩色摄像机。ORB-SLAM的视觉里程计和映射允许在平面障碍物遍布的环境中进行自定位。地平面可通行性分割结合感知空间碰撞检测允许导航路径规划。先前提出的动态减少直线蛇运动的非完整运动车辆通知SLAM和规划。然后，应用简化的运动模型来跟踪通过障碍物配置的规划轨迹。这种导航框架使蛇形机器人平台能够自主导航并仅用单目视觉穿越未知场景。
2019-08-19 cs.CV cs.RO
Confined Space Underwater Positioning Using Collaborative Robots
针对受限空间水下机器人定位难题，提出协作水上定位（CAP）系统，利用水面航行器作为移动领航者协助水下机器人定位，实现无基础设施、实时高精度定位。
2025-10-31 cs.RO
Hierarchical Topology-Aware Planning and Control of Underwater Vehicle-Manipulator Systems in Confined Environments
University of Padova（帕多瓦大学）；Polytechnic University of Bari（巴里理工大学）；Norwegian University of Science and Technology（挪威科技大学）
针对受限环境下UVMS自主干预的风险问题，提出三层分层框架MANTA，经实验验证其任务成功率更高、安全余量更大，可实现更安全高效的水下自主干预。
2026-08-11 cs.RO cs.SY eess.SY
Configuration-Induced Passive Self-Rotation for Perception-Enhanced Autonomous Flight
School of Robotics and Automation, Nanjing University（南京大学机器人与自动化学院）
研究受限杂乱环境中自主飞行因传感器视野受限的问题，提出构型诱导被动自旋转三旋翼飞行器，利用后臂构型参数调节工作点，开发分层自主框架，经大量实验验证该方法对感知增强自主飞行有效。
2026-07-21 cs.RO
Collaborative Aquatic Positioning System Utilising Multi-beam Sonar and Depth Sensors
Manchester Centre for Robotics and AI, University of Manchester（曼彻斯特机器人与人工智能中心，曼彻斯特大学）
本文提出一种通过全向水面航行器与水下ROV协作的定位系统，利用多波束声纳和深度传感器，在无固定基础设施下实现受限水下环境的精确导航。
2025-09-10 cs.RO
Development and Testing of a Vine Robot for Urban Search and Rescue in Confined Rubble Environments
本文提出一种受植物生长启发的藤蔓软体机器人，通过气动肌肉转向与反馈压力控制实现瓦砾环境中的穿透与导航，实验证明其可深入杂乱废墟并保持重复轨迹，适用于城市搜救任务。
2024-09-19 cs.RO
DWA-3D: A Reactive Planner for Robust and Efficient Autonomous UAV Navigation in Confined Environments
Instituto de Investigaci\'on en Ingenier\'ia de Arag\'on (I3A), University of Zaragoza, Spain
本文提出DWA-3D反应式规划器，结合RRT*全局规划器，实现无人机在受限环境中的稳健导航，通过参数整定和在线地图构建，计算时间稳定在40毫秒。
2025-04-22 cs.RO
Robotic Guide Dog: Leading a Human with Leash-Guided Hybrid Physical Interaction
University of California, Berkeley（加州大学伯克利分校）
一个能够在狭窄和混乱的空间中引导人类的自主机器人对视力受损者来说是一个巨大的福音。大多数现有的机器人引导系统是基于具有大基座的轮式平台，该大基座具有致动的刚性引导手杖。大的基座和致动臂限制了这些现有方法在狭窄和杂乱的环境中操作。我们提出了一种方法，引入了一个四足机器人与皮带，使机器人引导人类系统改变其固有的尺寸（通过让皮带松弛），以适应狭窄的空间。我们提出了一个混合物理的人机交互模型，包括牵引张力来描述在机器人引导人类系统的动力学关系。这个混合模型是利用在一个混合整数规划问题，以开发一个反应规划，能够利用松弛-拉紧开关，引导一个蒙着眼睛的人安全地在一个有限的空间旅行。建议皮带引导机器人框架部署在一个迷你猎豹四足机器人和实验验证。
2021-06-28 cs.RO cs.SY eess.SY
ManiSoft: Towards Vision-Language Manipulation for Soft Continuum Robotics
Beihang University（北京航空航天大学）；National University of Singapore（新加坡国立大学）；Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）
本文提出ManiSoft基准，用于研究柔软连续机器人的视觉-语言操控，通过定制模拟器结合真实柔软体动力学和丰富的接触交互，定义了四个任务以展示变形控制的不同方面，并通过自动化流程生成6300个多样场景和专家轨迹，评估了三种代表性策略模型的性能。
2026-05-18 cs.AI cs.CV cs.RO
