本文提出了一个以重新排列任务为基础的体现智能 (AI Embodied) 的研究和评价框架，并描述了四个不同的仿真环境中重新排列方案的实验测试床和性能度量标准，以支持重新排列代理的训练和部署。

Nov, 2020

一项围绕着域中物理实体与环境互动的任务 - 室内重新配置的新数据集 RoomR 并结合实验展示现有的 Embodied AI 技术在此类任务方面性能仍有提升空间。

Mar, 2021

该研究提出了一种基于学习的综合框架，用于多智能体物体重新排列规划，在复杂环境中解决了任务排序和路径规划等挑战。实验证明了该框架的效果和鲁棒性，并改善了比基准方法更好的性能表现（遍历时间和成功率）。

Jun, 2023

提出了一种基于语义分割模型和强化学习模型的方法，通过视觉输入实现了对物体在房间中重新摆布的目标；在 AI2-THOR 重新摆放挑战中，使用的样本量仅为当前端到端强化学习模型方法的 2.7%，结果可从 0.53% 的正确率提升至 16.56%。

Jun, 2022

在具有局部可观测性限制的多对象重新排列问题中，模块化贪心算法能够表现出优异的性能，为未来的部分可见多对象重新排列问题规划提供了强有力的基线。

Jan, 2023

使用基于 GNN 的学习方法，通过两个表示图对图像中检测到的关键点进行编码。采用自注意力进行图更新和交叉注意力进行生成操作，实验表明该框架在多个 1-D 和 2-D 重排任务中非常有效，并且可以通过微调关键点检测器轻松转移到真实机器人中。

Feb, 2023

通过建立 keypoints 和它们之间的相互作用的一组动态图表达的新颖表示策略，提出一种在视觉观测的情况下模拟可变形对象重新排列动态并推断最佳操纵动作的方法。新方法在模拟实验中显示出优越的表达能力，在各种可变形重新排列任务中的成功率远高于现有方法（平均 96.3%），同时更轻量且推理时间较现有方法短 60%。并且该方法在多任务学习场景中表现良好，并通过仅微调关键点检测器可以转移到实际应用中，平均成功率为 95%。

Oct, 2023

本文提出了一种基于点云观测数据，实现元素实例任意姿态下空间关系任务的方法，该方法通过三个步骤解决了元素重排列问题：指定本地协调对象部件的一致坐标系；在新的对象实例上确定该坐标系的位置和方向；实施调整坐标系以达到所需呈现的目的。关键技术难题得到了克服，性能得到了提高。

Nov, 2022

提出了一种基于深度学习的多步神经对象重新排列规划方法 NeRP，并将其与其他基线方法进行比较，结果表明该方法的效果更好，可以在较少的步骤和规划时间内有效地重新排列未知对象，并在现实世界中展示了其在几个具有挑战性的重新排列问题上的应用。

Jun, 2021

利用深度神经网络学习适用于不同对象及数量的通用启发式方法，以解决当前计算复杂性问题所依赖的手工编码符号动作模型和启发式函数生成器效率不高的问题。实证评估表明，由此方法计算的通用启发函数可轻松应用于不同对象、数量显著大于训练数据的问题。

Jul, 2020