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
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
Efficient Object Rearrangement via Multi-view Fusion
Southern University of Science and Technology（南方科技大学）
本文提出基于多视角融合的物体重排系统，通过在操作前从多个视角观察场景并结合物体级视觉定位流程，在不增加冗余操作的情况下更准确地估计物体放置位姿，仿真和物理实验均验证了其相比单视角系统具有更高效率。
2023-09-16 cs.RO
Mobile Manipulation Planning for Tabletop Rearrangement
针对移动机器人在桌面重排中因移动限制导致的低效问题，提出允许单站立位置执行多操作并引入状态重探索的规划策略，显著提升解质量与规划速度。
2025-05-24 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
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
Synchronized Multi-Arm Rearrangement Guided by Mode Graphs with Capacity Constraints
Rutgers University（罗格斯大学）
解决涉及多个对象和多个机器人手臂的任务规划问题带来了可扩展性的挑战。这些问题不仅涉及协调多个高自由度手臂，而且还涉及搜索可能的动作序列，包括对象放置和翻转。目前的工作确定了一个有用的多臂重排和最近的结果之间的连接，在多体路径规划的图与顶点容量约束。解决一个同步的多臂重排在一个高层次涉及推理的模态图，其中节点对应于稳定的对象放置和对象转移状态的武器。该图的边缘对应于拾取、放置和切换操作。对象可以被看作是在这个图上移动的鹅卵石，它具有容量限制。例如，每个臂可以携带单个对象，但是放置位置可以累积许多对象。已提出了相应的卵石问题的有效整数线性规划为基础的求解器。目前的工作提出了一个启发式的任务规划过程中，指导同步多臂重排。结果表明，良好的可扩展性，多个武器和对象，和算法，可以找到高质量的解决方案快速和表现出理想的任何时候的行为。
2020-05-18 cs.RO
Sequential Object Placement Optimization with Convex Decomposition
Lund University（隆德大学）；Robotics Institute Germany（德国机器人研究所）
本研究提出SOPO-CD序列优化框架，将物体放置建模为分解自由空间中的可微非线性优化问题，实现了高效的物体放置，速度较经典网格搜索提升100倍，可推广至多类装箱问题并在真实机械臂上验证。
2026-10-02 cs.RO
Task-driven Perception and Manipulation for Constrained Placement of Unknown Objects
Rutgers University（罗格斯大学）
最近的进展，在机器人操作处理的情况下，以前未知的对象在相对简单的任务，如垃圾箱采摘。现有的方法，更多的约束问题，但是，如故意放置在一个紧张的地区，更严格地依赖于形状信息，以实现安全执行。这项工作涉及到拾取和约束放置的对象，而无需访问几何模型。目标是挑选一个物体并将其安全地放置在所需的目标区域内，而不会发生任何碰撞，同时最大限度地减少完成任务所需的时间和传感操作。为此目的，提出了一种算法框架，它执行操作规划同时在保守和乐观的估计对象的体积。保守估计确保操纵是安全的，而乐观估计指导基于传感器的操纵过程时，不能找到保守估计的解决方案。为了保持这些估计并在操作期间动态更新它们，对象由简单的体积表示表示，其存储被占用和不可见的体素的集合。所提出的方法的有效性证明了开发一个机器人系统，从桌面上挑选一个以前看不见的对象，并将其放置在一个受约束的空间。该系统包括一个双臂机械手与异构末端执行器，并利用手的重新把握策略。现实世界的实验表明，简单的选择，感觉和放置的替代品往往无法解决选择和约束的放置问题。然而，所提出的管道，实现了超过95%的成功率和更快的执行时间，通过多个物理实验进行评估。
2020-06-28 cs.RO
Stable bin packing of non-convex 3D objects with a robot manipulator
Duke University（杜克大学）
机器人操作领域的最新进展已经引起了对仓库中的全自动物体包装的兴趣。本文提出了一种配方的包装问题，是专门为自动化仓储领域。除了最大限度地减少容器内的浪费空间，该问题需要在包装过程中的对象堆的稳定性和执行放置计划的机器人运动的可行性。为了解决这个问题，制定了一组约束条件，并提出了一个建设性的包装管道来解决这些约束。该流水线能够稳定地包装几何复杂的非凸物体，同时满足机器人约束。特别地，提出了一种新的三维定位启发式算法，称为Heightmap-Minimization启发式算法，并使用高度图来加速搜索。该方法的实验评估进行了一个现实的物理模拟器上的数据集扫描的真实世界的项目，表现出稳定和高品质的包装计划相比，其他3D包装方法。
2018-12-10 cs.RO
Online 3D Bin Packing with Fast Stability Validation and Stable Rearrangement Planning
针对在线装箱问题中深度学习策略无法保证结构稳定及缺乏安全重排机制的问题，提出结合装箱策略、LBCP快速稳定性验证与SRP稳定重排规划的框架，为工业自动化装箱提供稳健实用的解决方案。
2025-07-12 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
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
LLM-enhanced Scene Graph Learning for Household Rearrangement
National University of Defense Technology（国防科技大学）；Shenzhen University（深圳大学）
针对家庭场景整理依赖常识与用户偏好的需求，提出LLM增强场景图学习方法，构建功能可供性增强图实现错位物品检测与归置规划，在自建基准上达到最优性能。
2024-09-12 cs.CV cs.RO
Predicting Stable Configurations for Semantic Placement of Novel Objects
NVIDIA Corporation（英伟达公司）；Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）；School of Computing, University of Utah（犹他大学计算学院）
人类环境包含以各种布置配置的许多对象。我们的目标是使机器人能够根据在新环境中学习到的语义关系来放置以前看不见的对象。我们将这个问题分为两部分：（1）为对象找到物理上有效的位置;（2）确定这些姿势是否满足学习到的高级语义关系。我们从头开始构建我们的模型和训练，以便与我们提出的未知对象语义放置规划算法紧密集成。我们纯粹在模拟中训练我们的模型，不需要在现实世界中使用的微调。我们的方法，使运动规划语义重排的场景中的未知对象具有不同的几何形状，只有RGB-D传感。我们通过一组模拟消融的实验表明，单独使用一个关系分类器是不够的可靠的规划。我们进一步证明了我们的计划器的能力，通过一组现实世界的实验，各种对象生成和执行不同的操作计划。
2021-08-26 cs.CV cs.RO
ReorientBot: Learning Object Reorientation for Specific-Posed Placement
Dyson Robotics Laboratory（戴森机器人实验室）；Imperial College London（帝国理工学院）
机器人需要能够以任意特定的姿势放置物体，以重新排列世界并完成各种有价值的任务。物体重新定向在这方面起着至关重要的作用，因为物体最初可能没有被定向，使得机器人可以抓住它们，然后立即将它们放置在特定的目标姿势中。在这项工作中，我们提出了一个基于视觉的操作系统，ReorientBot，它包括1）视觉场景理解与姿态估计和体积重建使用板载RGB-D相机; 2）学习路径点选择成功和有效的运动生成重定向; 3）传统的运动规划，从选定的路径点生成一个无碰撞的轨迹。我们评估我们的方法使用YCB对象在模拟和现实世界中，实现93%的整体成功，81%的成功率提高，和22%的执行时间相比，启发式方法的改进。我们展示了扩展的多对象重排显示系统的一般能力。
2022-02-22 cs.AI cs.CV cs.LG
SDF-Pack: Towards Compact Bin Packing with Signed-Distance-Field Minimization
The Chinese University of Hong Kong（香港中文大学）；Hong Kong Centre for Logistics Robotics（香港物流机器人中心）
本文提出 SDF-Pack，利用截断有符号距离场建模与最小化启发式优化物体放置及装箱顺序，在千余案例中显著提升机器人装箱紧凑性和空间利用率。
2023-07-14 cs.RO
Preference-Conditioned Reinforcement Learning for Space-Time Efficient Online 3D Bin Packing
Viterbi School of Engineering, University of Southern California（美国南加州大学维特比工程学院）；Amazon Robotics（亚马逊机器人）
STEP方法通过偏好条件强化学习，在保持装箱密度的同时将操作时间减少44%。
2026-03-08 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
PackLab: A Comprehensive Framework for Developing, Training, and Evaluating MLLMs in Robotic Bin Packing
The Chinese University of Hong Kong（香港中文大学）；M-A-P
PackLab提出面向机器人装箱的MLLM综合框架，含仿真平台、专用模型和基准，实验证明其优于传统方法和通用MLLMs，实现长时域闭环决策。
2026-09-22 cs.RO
Bin Packing Optimization via Deep Reinforcement Learning
Zhejiang University（浙江大学）
针对装箱问题，提出基于深度强化学习的端到端方法，优化装箱顺序与放置策略，提升空间利用率并减少箱子使用，实验证明在精度和效率上优于传统方法。
2024-03-19 cs.RO
GOPT: Generalizable Online 3D Bin Packing via Transformer-based Deep Reinforcement Learning
State Key Laboratory of Intelligent Manufacturing Equipment and Technology, School of Mechanical Science and Engineering, Huazhong University of Science and Technology（华中科技大学机械科学与工程学院智能制造装备与技术国家重点实验室）；BOSCH Corporate Research, China（博世中国研究中心）；State Key Laboratory of High-end Heavy-load Robots, Midea Group（美的集团高端重载机器人国家重点实验室）；Midea Corporate Research Center（美的集团企业研究中心）
针对在线3D装箱问题泛化性不足，提出基于Transformer深度强化学习的GOPT方法，通过Placement Generator和Packing Transformer融合特征，实现对不同尺寸箱子的泛化推理，并在实验和真实机器人部署中验证了优越性能。
2024-09-12 cs.AI cs.LG cs.RO
