用机器学习的条件生成建模方法解决装箱问题，通过学习空间关系和约束满足之间的相关性最小化资源浪费并避免重叠。

Oct, 2023

本论文提出了一个适用于自动化仓储的物品打包问题的解决方案，并通过构造约束条件的打包流程及新的 3D 定位启发式算法 Heightmap-Minimization heuristic 实现了稳定的高质量三维装箱。

Dec, 2018

GFPack++ 是一个基于注意力机制梯度场学习方法，可以有效地进行 2D 不规则装箱优化，获得更高的空间利用率，支持连续旋转，并拥有较快的运算速度和对任意边界的良好泛化能力。

Jun, 2024

通过 VRKitchen 的虚拟现实环境和集成功能，该研究使用现代人工智能方法驱动具有复杂任务能力的实体代理，使人类教师能够进行演示培训，为任务导向学习等领域的广泛应用提供了标准化的评估基准和数据收集工具。

Mar, 2019

我们提出了一个新的学习框架来解决 3D 中的运输和装箱问题，其中的技术核心是使用强化学习训练的神经网络，通过 RGBD 感知和识别，机器人运动规划，来实现在目标容器中进行紧密的装箱。

Oct, 2023

介绍了三维仿真的机器人任务与动作规划基准测试的设计，通过对象的选择、拾取和运输，要求具有先进物理约束和规划任务的人工智能智能体能够在仿真环境中完成任务。实验结果表明，现有算法在此测试中需要进一步发展。

Mar, 2021

用于计算机图形学中，我们介绍了一种学习辅助的二维不规则形状装箱方法，通过选择和分组 UV 贴片的子集来实现高装箱质量，并利用深度神经策略线性时间扩展以处理大规模的问题实例。

Sep, 2023

为了将对视频流的整体感知有效地传递给智能机器，我们通过学习将概念关联和来自不同任务的抽象知识协同利用来学习新技能，提出了一种统一的视频理解方法，它结合了人类行为的共享时间建模和最小开销，支持多个下游任务及在学习新技能时的合作，并通过四个 Ego4D 基准测试表明了我们方法的有效性和高效性。

Mar, 2024

本文提出了一种联合任务和运动规划方法来优化任务的排序、分配和执行，解决多智能体系统中的时空变异性问题，采用时间轴规划处理任务的时间约束、时间变化和协同分配，在网络平面规划中以环境变化为前提，证明了该方法的有效性。

Mar, 2023

本文提出了一种称为 “Egocentric Planning” 的创新方法，将符号规划和面向对象的 POMDP 相结合，以解决在复杂环境中的任务。在 ALFRED 中进行的实验表明，该方法可以在完成家庭任务方面取得显著的成功率。该方法需要可靠的感知和代理动作的先决条件和效果的符号化描述。

Jun, 2023