Manifold-Guided Motion Planning for Tight Assemblies
作者: Dror Livnat, Michael M. Bilevich, Michal Kleinbort, Dan Halperin
分类: cs.RO
发布日期: 2026-07-20
备注: Appeared in the 17th World Symposium on the Algorithmic Foundations of Robotics (WAFR)
💡 一句话要点
提出CMG-RRT以解决紧凑装配中的运动规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 运动规划 机器人技术 刚体装配 关键流形 采样方法 自动化制造 接触约束
📋 核心要点
- 核心问题：现有运动规划方法在处理紧凑装配时，难以有效应对几何约束和接触限制。
- 方法要点：提出CMG-RRT，通过引导采样向关键流形邻域偏移，优化运动规划过程。
- 实验或效果：在旋转装配基准测试中，CMG-RRT实现了100%的成功率，展示了其优越性。
📝 摘要（中文）
刚体装配的运动规划因几何约束而面临重大挑战。在这种情况下，合理的运动往往需要通过（近）零间隙配置，其中部件受到接触的紧密约束。本文提出了一种专门针对紧凑装配问题的采样规划器——关键流形引导的RRT（CMG-RRT）。我们的关键观察是，在紧凑装配中，有效的解决路径位于或接近一个关键流形：即配置空间中至少有一个接触点的姿态子集。CMG-RRT通过使用配置空间的分层细分，适应性地偏向于关键流形的邻域进行采样探索。我们证明了CMG-RRT在标准间隙假设下是概率完备的。对具有挑战性的旋转装配基准的实证评估显示，所有测试实例的成功率达100%，包括我们首次完全自动解决的Elk解缠结难题。我们的开源软件可通过项目页面获取。
🔬 方法详解
问题定义：本文旨在解决刚体装配中的运动规划问题，尤其是在紧凑装配场景下，现有方法往往无法有效处理接触约束和几何限制，导致规划失败或效率低下。
核心思路：论文提出的CMG-RRT方法基于关键流形的概念，认为有效的解决路径应位于或接近于关键流形。通过引导采样向关键流形的邻域偏移，CMG-RRT能够更有效地探索配置空间，从而找到可行的装配路径。
技术框架：CMG-RRT的整体架构包括三个主要模块：首先是配置空间的分层细分，其次是基于关键流形的采样引导，最后是路径优化与验证。该方法通过动态调整采样策略，确保在关键流形附近进行高效探索。
关键创新：CMG-RRT的主要创新在于引入了关键流形的概念，并通过适应性采样策略显著提高了在紧凑装配场景中的运动规划成功率。这一方法与传统的随机采样方法相比，能够更好地应对接触约束。
关键设计：在CMG-RRT中，关键参数包括配置空间的细分层级和采样偏向的强度。此外，损失函数设计用于优化路径的平滑性和可行性，确保生成的路径在实际装配中可用。
🖼️ 关键图片
📊 实验亮点
CMG-RRT在旋转装配基准测试中实现了100%的成功率，显著优于现有方法。特别是在首次完全自动解决Elk解缠结难题中，展示了其强大的实用性和有效性。这一成果为紧凑装配问题提供了新的解决思路和工具。
🎯 应用场景
该研究的潜在应用领域包括机器人装配、自动化制造和复杂机械系统的组装。通过提高运动规划的效率和成功率，CMG-RRT能够在实际生产中显著降低成本和时间，提高生产线的灵活性和自动化水平。未来，该方法还可能扩展到其他需要处理复杂接触约束的领域，如医疗机器人和精密工程。
📄 摘要（原文）
Motion planning for rigid-body assembly poses a fundamental challenge in robotics due to tight geometric constraints. In such scenarios, feasible motions often require passing through (near-)zero clearance configurations in which the parts are tightly constrained by contact. In this work, we introduce Critical-Manifold Guided RRT (CMG-RRT), a sampling-based planner designed specifically for tight assembly problems. Our key observation is that in tight assemblies, valid solution paths lie on or near a critical manifold: the subset of configuration space consisting of poses with at least one contact point between parts. CMG-RRT guides exploration by adaptively biasing sampling toward neighborhoods of the critical manifold using a hierarchical subdivision of the configuration space. We prove that CMG-RRT is probabilistically complete under standard clearance assumptions. Empirical evaluation on challenging rotational assembly benchmarks demonstrates a 100% success rate across all tested instances, including, to the best of our knowledge, the first fully automatic solution of the Elk disentanglement puzzle. Our open source software is available through our project page: https://www.cgl.cs.tau.ac.il/projects/tight-assembly-planning.