[论文解读] ReloPush-BOSS: Optimization-guided Nonmonotone Rearrangement Planning for a Car-like Robot Pusher

Jeeho Ahn, Christoforos Mavrogiannis|arXiv (Cornell University)|Jan 29, 2026

Robot Manipulation and Learning被引用 0

一句话总结

ReloPush-BOSS 将优化引导的非单调重排规划应用于车形机器人推手。预定位优化、Dubins 路径洞察和可通行性图提升密集混乱中的成功率。对真实机器人在1/10尺度平台的验证显示鲁棒性。

ABSTRACT

We focus on multi-object rearrangement planning in densely cluttered environments using a car-like robot pusher. The combination of kinematic, geometric and physics constraints underlying this domain results in challenging nonmonotone problem instances which demand breaking each manipulation action into multiple parts to achieve a desired object rearrangement. Prior work tackles such instances by planning prerelocations, temporary object displacements that enable constraint satisfaction, but deciding where to prerelocate remains difficult due to local minima leading to infeasible or high-cost paths. Our key insight is that these minima can be avoided by steering a prerelocation optimization toward low-cost regions informed by Dubins path classification. These optimized prerelocations are integrated into an object traversability graph that encodes kinematic, geometric, and pushing constraints. Searching this graph in a depth-first fashion results in efficient, feasible rearrangement sequences. Across a series of densely cluttered scenarios with up to 13 objects, our framework, ReloPush-BOSS, exhibits consistently highest success rates and shortest pushing paths compared to state-of-the-art baselines. Hardware experiments on a 1/10 car-like pusher demonstrate the robustness of our approach. Code and footage from our experiments can be found at: https://fluentrobotics.com/relopushboss.

研究动机与目标

• 在拥挤空间中使用车形推手解决非单调多对象重排问题。
• 通过统一的对象可通行性图整合运动学、几何与物理约束。
• 利用 Dubins 路径分类的信息化优化来改进预定位决策。
• 通过带种子的热启动和回溯搜索缓解局部极小值。
• 在多达13个对象的规模上展示可扩展性并在硬件上验证。

提出的方法

• 构建一个 Push-Traversability (PT) 图，包含对象边界上的推动位姿和位姿之间可行的 Dubins 路径。
• 将 prerelocations 作为中间 Dubins 路径嵌入，以在直接转移不可行时连接推动段落。
• 将 prerelocation 优化公式化为最小化围绕 prerelocation 的两个推动段长度之和。
• 利用基于 Dubins 路径洞察的种子热启动来避免优化过程中的高成本局部极小值。
• 使用带回溯的深度优先搜索对重排序列进行管理，以应对组合复杂性。
• 在带有非完整性车形运动学和准静态推力假设的受限 SE(2) 工作区内工作。
• 在定义的原语中保证条件完备性（每个对象至多一个 prerelocation 且障碍物清除为直线）。

实验结果

研究问题

• RQ1 如何优化 prerelocation 决策以在密集混乱中减少总推动转移距离？
• RQ2 Dubins 路径分类是否能为 prerelocation 的鲁棒初始化提供信息，避免坏的局部极小值？
• RQ3 将优化引导的 prerelocations 引入可通行性图是否能提高车形推手在非单调重排中的成功率和路径长度？
• RQ4 高层规划的回溯对扩展到更大对象集合的可扩展性有何影响？
• RQ5 该方法在真实硬件上相对于仿真有何传递性？

主要发现

• ReloPush-BOSS 在最多13个对象的密集场景中比消融版本和文献基线具有更高的成功率。
• 优化的 prerelocations 相较于非优化的 prerelocations 能降低总推动-转移长度和整体路径长度。
• 基于 Dubins 路径洞察的种子热启动有效避免 prerelocation 优化过程中的高成本局部极小值。
• 带回溯的深度优先搜索在鲁棒性和可扩展性方面优于单纯贪婪或穷举方法。
• 在1/10比例车形推手的硬件演示验证了在真实摩擦和跟踪条件下的鲁棒性。