该论文针对机器人操作中的运动规划对抗攻击问题展开研究。现有攻击方法通常依赖精确位姿目标，并且需要持续查询规划器（planner-in-the-loop），这在实际中受限。为此，作者提出了一种与规划器无关（planner-agnostic）的攻击框架，专门针对容忍感知操作（tolerance-aware manipulation）。方法分为离线与在线两个阶段：离线阶段，通过运动学占用热图（kinematic occupancy heatmap）表征机器人内在的工作空间能力，该热图编码了可行轨迹的密度和鲁棒性先验，无需调用特定规划器；在线阶段，将攻击建模为预算受限的最大覆盖优化问题，在显式几何约束下策略性地部署障碍物以阻塞解空间。在仿真和真实场景中的大量实验表明，该方法能够可靠地诱导规划失败，在计算效率和攻击效能上均显著优于依赖规划器的基线方法。该工作为评估机器人操作系统的鲁棒性提供了新视角，适合机器人安全研究人员和运动规划算法开发者阅读。