NeRP：面向未知物体的神经重排规划

随着机器人在人类环境中得到更广泛的应用，人们期望它们能够以复杂且任意的方式操控多种多样的物体。因此，近年来物体重排已被视为人工智能能力的一项重要基准。我们提出 NeRP（Neural Rearrangement Planning，神经重排规划），一种基于深度学习的方法，用于多步神经物体重排规划，该方法适用于此前未见过的物体，在仿真数据上训练，并可泛化到真实世界。我们将 NeRP 与若干朴素及基于模型的基线进行比较，表明我们的方法在度量上更优，能够以更少的步骤和更短的规划时间高效排列未见过的物体。最后，我们在真实世界的若干具有挑战性的重排问题上对其进行了演示。