基于点云的多物体重排连续动作规划
机器人学
2025-09-08 v1
摘要
机器人操作的长时程规划是一个具有挑战性的问题，需要对一系列动作在物理 3D 场景中的效果进行推理。虽然传统的任务规划方法已被证明对长时程操作有效，但它们需要将连续的状态和动作空间离散化为物体、物体关系和动作的符号描述。相反，我们提出了一种混合学习与规划的方法，利用学习到的模型作为特定领域的先验，以引导在高维连续动作空间中的搜索。我们引入了 SPOT：点云物体变换搜索，它通过搜索从初始场景点云到满足目标的点云的一系列变换来进行规划。SPOT 从在部分观测点云上运行的学习建议器中采样候选动作，从而消除了离散化动作或物体关系的需要。我们在多物体重排任务上评估了 SPOT，并在仿真和真实世界环境中报告了任务规划成功率和任务执行成功率。我们的实验表明，SPOT 生成了成功的规划并优于策略学习方法。我们还进行了消融实验，突出了基于搜索的规划的重要性。
引用
@article{arxiv.2509.04645,
title = {Planning from Point Clouds over Continuous Actions for Multi-object Rearrangement},
author = {Kallol Saha and Amber Li and Angela Rodriguez-Izquierdo and Lifan Yu and Ben Eisner and Maxim Likhachev and David Held},
journal= {arXiv preprint arXiv:2509.04645},
year = {2025}
}
备注
Conference on Robot Learning (CoRL) 2025 (https://planning-from-point-clouds.github.io/)