MoMa-Pos: Where Should Mobile Manipulators Stand in Cluttered Environment Before Task Execution?

移动机器人操作器通常需要在执行导航-操作任务之前确定可行的基础位置。现实世界的环境通常会被各种家具、障碍物和其他物体所堆积。高效地计算基础位置是一个挑战。在这项工作中，我们介绍了一个名为MoMa-Pos的框架来解决这个问题。MoMa-Pos首先通过使用图嵌入架构学习预测一小组对象，这些对象一起将足以找到基础位置。然后，MoMa-Pos通过全面考虑家具结构、机器人模型和障碍物来计算站立位置。我们已经广泛评估了提出的MoMa-Pos在不同设置（例如环境和算法参数）和各种移动机器人中的表现。我们的实证结果表明，MoMa-Pos表现出了卓越的有效性和效率，超越了文献中的方法。此外，MoMa-Pos还适用于杂乱的环境和不同的机器人模型。补充材料可以在\url{https://yding25.com/MoMa-Pos}找到。

论文提出了一个名为MoMa-Pos的框架，旨在解决移动机器人在复杂环境中确定合适的基础位置的问题。

MoMa-Pos框架使用图嵌入架构先学习预测一组小的对象，然后通过综合考虑家具结构、机器人模型和障碍物等因素计算站立位置。

论文在不同设置和各种移动机器人上对MoMa-Pos进行了广泛评估，结果表明该框架表现出了显著的效果和效率，超越了文献中的方法。此外，论文提供了补充材料和代码。

在这个领域中，最近的相关研究包括《Efficient Collision-Free Path Planning for Autonomous Mobile Manipulator Using a Hybrid Approach》、《Learning to Navigate Unseen Environments: Back Translation with Environmental Dropout》等。