CAMP: Cooperative Arm-Hand Motion Planning in Constrained Spaces

📄 arXiv: 2609.29021v1 📥 PDF

作者: Ziyuan Wang, Yunlong Shan, Fei Mo, Sichao Liu, David Navarro-Alarcon, Jia Pan, Kosta Jovanovic, Xin Jiang, Peng Zhou

分类: cs.RO

发布日期: 2026-09-24

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出CAMP以解决复杂环境中的协调手臂-手部运动规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 手臂-手部协调 运动规划 机器人操作 高效算法 复杂环境

📋 核心要点

  1. 现有方法在复杂环境中手臂和手部的协调运动规划上存在分解导致可行解缺失的问题。
  2. 本文提出CAMP，通过构建可行的手部配置和局部手臂松弛，解决了手臂-手部运动的耦合问题。
  3. 在六个受限的仿真任务中，CAMP实现了84.2-98.5%的成功率，表现优于其他规划器。

📝 摘要（中文）

协调的手臂-手部运动规划是复杂和受限环境中灵巧机器人操作的基础。简单的解决方案是将问题分解为单独的手臂路径规划和手部运动生成，但这种分解可能会错过需要协调适应的可行解决方案。直接在高维关节配置空间中进行规划能够捕捉这种耦合，但面临搜索空间显著扩大和非凸碰撞约束的问题。为此，本文提出了CAMP，一个高成功率且高效的合作手臂-手部运动规划器，通过分层手部搜索与局部手臂松弛构建候选轨迹，并使用端点保持的通过点运动原语进行紧凑表示，最终实现了84.2-98.5%的规划成功率，超越了其他竞争性规划器。

🔬 方法详解

问题定义：本文旨在解决复杂和受限环境中的协调手臂-手部运动规划问题。现有方法通常将其分解为手臂路径规划和手部运动生成，但这种分解可能导致错过需要协调适应的可行解。

核心思路：CAMP通过定义可行的手部配置（手部纤维）来捕捉手臂配置下的无碰撞手部状态，从而实现手臂和手部的协同规划。该方法通过分层手部搜索与局部手臂松弛的结合，优化了运动规划的效率和成功率。

技术框架：CAMP的整体架构包括候选轨迹构建、手部搜索、局部手臂松弛和通过点运动原语（VMPs）表示。首先，通过分层搜索生成手部轨迹，然后结合局部手臂松弛进行优化，最后使用VMPs进行紧凑表示。

关键创新：CAMP的主要创新在于通过定义手部纤维来有效捕捉手臂和手部之间的耦合关系，避免了传统方法的分解带来的局限性。

关键设计：在设计中，CAMP采用了端点保持的VMPs来表示轨迹，并通过粗到细的优化策略提升了规划效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CAMP在六个受限仿真任务中实现了84.2-98.5%的规划成功率，显著优于其他竞争性规划器，验证了其在复杂环境中的高效性和可靠性。消融研究进一步确认了手臂松弛、VMP表示和粗到细优化的贡献。

🎯 应用场景

CAMP的研究成果具有广泛的应用潜力，尤其在复杂的机器人操作任务中，如工业自动化、医疗手术辅助和服务机器人等领域。其高效的运动规划能力能够显著提升机器人在受限环境中的灵活性和适应性，推动智能机器人技术的发展。

📄 摘要（原文）

Coordinated arm-hand motion planning is fundamental to dexterous robotic manipulation in complex and constrained environments. A straightforward solution is to decompose the problem into separate arm path planning and hand motion generation; however, this poses a dilemma: decomposition can miss feasible solutions that require coordinated arm-hand adaptation along the path. Alternatively, directly planning in the high-dimensional joint arm-hand configuration space captures such coupling but faces a substantially enlarged search space and nonconvex collision constraints. To characterize this coupling, we formulate feasible hand fibers that capture collision-free hand configurations for each arm configuration. Based on this formulation, we propose CAMP, a high-success and efficient cooperative arm-hand motion planner for constrained environments. CAMP constructs candidate trajectories through layered hand search with local arm relaxation, then compactly represents them using endpoint-preserving via-point movement primitives (VMPs) for coarse-to-fine joint optimization. Across six constrained simulation tasks, CAMP achieves 84.2-98.5% planning success, outperforming alternative planners with competitive efficiency. Ablation studies verify the contributions of arm relaxation, VMP representation, and coarse-to-fine optimization, while real-robot experiments demonstrate CAMP on constrained manipulation tasks. The project website is available at https://camp-armhand.github.io/.