Newest papers

SPAR: Search-trained Push Action Ranker for Efficient Navigation Among Movable Obstacles

Dhruv Metha Ramesh, Tri-An Nguyen, Junshan Huang, Jingjin Yu, Kostas E. Bekris, Abdeslam Boularias · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.28362 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Navigation Among Movable Obstacles (NAMO) đòi hỏi một robot phải sắp xếp lại các đối tượng đẩy để chặn truy cập vào mục tiêu của mình. Đối với một robot đẩy, tiến bộ có thể phụ thuộc vào một đẩy thiết lập mà không cho phép mở sau đó mà không tự làm sạch một lối đi. Số lượng các chuỗi ứng cử viên có thể phát triển theo chiều dài chuỗi, làm cho việc tìm kiếm dựa trên vật lý trở lại tốn kém. Chúng tôi giới thiệu Search-trained Push Action Ranker (SPAR), mà học cách ưu tiên đẩy nguyên thủy trong các kết quả tìm kiếm được mô phỏng. Tìm kiếm trên các chuỗi lên đến hai đẩy cho mỗi đối tượng cung cấp giám sát phân biệt các mở ngay lập tức từ các đẩy thiết lập. Một máy biến áp được đào tạo với tìm kiếm dựa trên sự hồi phục và xếp hạng tìm kiếm scores nguyên thủy bằng cách sử

Machine translation (Meta M2M100); the English original follows.

Abstract

Navigation Among Movable Obstacles (NAMO) requires a robot to rearrange objects that block access to its goal. For a pushing robot, progress may depend on a setup push that enables a later opening without itself clearing a passage. The number of candidate sequences can grow exponentially with sequence length, making physics-based search costly. We introduce the Search-trained Push Action Ranker (SPAR), which learns to prioritize push primitives from simulated search outcomes. Searches over sequences of up to two pushes per object provide supervision that distinguishes immediate openings from setup pushes. A transformer trained with regression and ranking losses scores primitives using contact tokens conditioned on scene geometry and reachability regions. The same model guides simulator evaluations in SPAR Search and selects actions for direct execution in SPAR Policy. Both modes solve successive keyhole problems that open access to neighboring free-space regions within a NAMO planner. Across successful runs on $300$ simulated two-push keyhole problems, SPAR Search reduces median simulator calls by $7.0\times$, leading to a $3.8\times$ reduction in planning time relative to Random Search. Without retraining, the same ranker guides search on $600$ keyhole problems which have no solution within two pushes. At a depth limit of five pushes, SPAR Search achieves $50.7\%$ success within $100$ simulator calls, compared with $20.2\%$ for Random Search. These gains carry over to NAMO planning: on hard simulated scenes, SPAR Search achieves $47\%$ success within $100$ simulator calls, compared with $21\%$ for Random Search. In real-robot experiments, SPAR Policy succeeds in $37/40$ trials without a physics-based digital twin, compared with $33/40$ for SPAR Search and $27/40$ for Random Search.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Spar, Computer science, Simulation, Random search, Artificial intelligence, Computer vision

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange