该论文旨在解决拆卸任务中物体提取(object extraction)的路径规划问题。研究背景是：在拆卸螺栓、螺钉、销钉等物体时，操作空间通常非常狭窄（毫米级），基于采样的规划器(sampling-based planners)虽然能提供完备性保证，但采样效率极低，因为绝大多数随机采样都会导致与环境发生碰撞(collision)。
论文提出了一种新颖的尺度不变采样(scale-invariant sampling)策略，并将其嵌入到多臂老虎机快速探索随机树(Multi-Arm Bandit Rapidly-exploring Random Tree, MAB-RRT)规划器中。该方法的核心步骤包括：
- 采用一种增长-收缩搜索(grow-shrink search)来探索构型空间(configuration space)，以寻找有用且具有高熵(high-entropy)的采样尺度。
- 一旦找到有用的采样尺度，利用主成分分析(Principal Components Analysis, PCA)来确定物体提取的有效方向。
论文的核心创新点是提出了**尺度不变采样(scale-invariant sampling)**策略，并将其与多臂老虎机(Multi-Arm Bandit)框架结合用于路径规划。其独特之处在于：
- 与传统的固定尺度或启发式尺度采样（如均匀采样(uniform sampling)、基于障碍物的采样(obstacle-based sampling)、窄通道采样(narrow-passage sampling)）不同，该方法能**动态地、自适应地探索和利用最优的采样尺度**。
- 通过**增长-收缩搜索**主动寻找高信息熵的尺度，并结合**PCA**来引导采样方向，从而在极度狭窄的空间中高效地生成可行的提取路径。
- 将自适应尺度搜索问题形式化为一个**多臂老虎机问题**，使规划器能够智能地在探索（寻找新尺度）和利用（使用已知好尺度）之间进行权衡。
论文对该领域的整体贡献包括：
- 提出并验证了**尺度不变采样**这一新概念，证明其对于通用物体提取任务至关重要。
- 在八个具有挑战性的3D物体提取场景（涉及螺栓、齿轮、杆、销、插座）上的实验表明，与多种经典及现代采样策略相比，该方法在7个场景中将成功率提高了一个数量级。
- 为解决狭窄空间中的采样瓶颈问题提供了一个高效、自适应的新方案，推动了拆卸(disassembly)和精细操作任务中运动规划(motion planning)技术的发展。