跳到正文
arXiv · 机器人与计算机视觉· Daniel Swoboda, Hector Geffner·· 2026-10-20AI 评分65

REAP:从运动规划器反馈中学习通用重排启发式

REAP: Learning General Rearrangement Heuristics from Motion-Planner Feedback

AI 导读

论文提出 REAP 框架,通过关系图神经网络在简单符号抽象上学习启发式函数,并由运动规划器监督揭示隐藏的几何先决条件。该方法结合贪婪最佳优先搜索,在物体数量、计划长度和排列方式等分布外场景泛化良好,相比经典启发式搜索和学习基线解决更多问题,所需运动规划查询量减少约一个数量级,且首选动作在 94% 采样状态下具有几何可行性(随机选择仅为 22%)。

来源:arXiv · 机器人与计算机视觉 · arxiv.org