集成主动感知与重排规划以从未知、受限、杂乱环境中高效取回物体
机器人学
2024-11-19 v1
摘要
从未知、受限空间中取回目标物体仍然是一项具有挑战性的任务，需要集成的、任务驱动的主动感知与重排规划。以往方法独立处理主动感知与重排规划，限制了其在真实场景中的实用性。本文提出了一种新的、集成的基于启发式的主动感知与基于蒙特卡洛树搜索（MCTS）的取回规划方法。这些组件相互提供反馈，以主动感知适合取回规划器规划的关键且未观测区域，进而规划重定位阻挡路径障碍物的序列以及取回目标物体的无碰撞轨迹。我们在仿真和真实世界的受限、杂乱场景中，使用配备手内摄像机的机械臂验证了该方法的有效性。我们的框架与多种最先进方法进行了比较。结果表明，我们提出的方法在成功率、物体重排规划耗时以及成功取回目标前的规划尝试次数方面，均显著优于基线方法。视频可在 https://youtu.be/tea7I-3RtV0 查看。
引用
@article{arxiv.2411.11733,
title = {Integrating Active Sensing and Rearrangement Planning for Efficient Object Retrieval from Unknown, Confined, Cluttered Environments},
author = {Junyong Kim and Hanwen Ren and Ahmed H. Qureshi},
journal= {arXiv preprint arXiv:2411.11733},
year = {2024}
}