Disentangled Point Diffusion for Precise Object Placement

📄 arXiv: 2604.11793v1 📥 PDF

作者: Lyuxing He, Eric Cai, Shobhit Aggarwal, Jianjun Wang, David Held

分类: cs.RO

发布日期: 2026-04-13

💡 一句话要点

提出TAX-DPD：一种解耦点扩散框架，用于精确物体放置，提升机器人操作精度。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 机器人操作 物体放置 点云扩散 解耦学习 高斯混合模型

📋 核心要点

  1. 现有端到端机器人操作策略在泛化性和精度方面存在不足，尤其是在处理新物体几何形状时。
  2. TAX-DPD通过分层解耦的点扩散框架，分别建模全局场景放置和局部物体配置，实现精确放置。
  3. 实验结果表明，TAX-DPD在放置精度、多模态覆盖率和泛化能力方面均优于现有方法，并在真实世界任务中验证了其有效性。

📝 摘要（中文）

本文提出了一种用于精确物体放置的分层解耦点扩散框架TAX-DPD，旨在提高机器人操作的精度、多模态覆盖率以及对物体几何形状和场景配置变化的泛化能力。该框架通过新颖的前馈稠密高斯混合模型(GMM)建模全局场景级别的放置，从而产生空间稠密的全局放置先验。然后，通过解耦点云扩散模块建模局部物体级别的配置，该模块分别扩散物体几何形状和放置框架，从而实现精确的局部几何推理。实验表明，即使在刚性物体放置的背景下，该点云扩散也比基于SE(3)-扩散的先前方法实现了更高的精度。在模拟和真实世界的高精度工业插入任务中验证了该方法的有效性。此外，在模拟的挂布任务中展示了该框架进一步放宽物体刚性假设的能力。

🔬 方法详解

问题定义：机器人操作中的物体放置任务，目标是预测目标物体在场景中的精确位姿。现有端到端策略难以泛化到新的物体几何形状，并且难以达到高精度。基于SE(3)扩散的方法虽然可以处理位姿预测，但在精度上仍有提升空间。

核心思路：将物体放置任务分解为全局场景级别的放置和局部物体级别的配置两个部分，并分别进行建模。全局放置使用稠密高斯混合模型(GMM)生成空间稠密的先验，局部配置使用解耦点云扩散模块，分别扩散物体几何形状和放置框架。通过这种解耦的方式，可以更好地进行局部几何推理，从而提高放置精度。

技术框架：TAX-DPD框架包含两个主要模块：1) 稠密高斯混合模型(Dense GMM)：用于预测全局场景级别的放置先验。该模块是一个前馈网络，输入是场景信息，输出是GMM的参数，用于生成空间稠密的放置先验。2) 解耦点云扩散模块：用于预测局部物体级别的配置。该模块是一个基于扩散模型的生成模型，输入是物体点云和全局放置先验，输出是物体的精确位姿。该模块将物体几何形状和放置框架分别进行扩散，从而实现解耦。

关键创新：1) 解耦点云扩散：将物体几何形状和放置框架分别进行扩散，从而实现解耦，更好地进行局部几何推理。2) 稠密高斯混合模型：使用前馈网络生成空间稠密的放置先验，避免了传统方法中需要进行采样或搜索的问题。3) 分层结构：将物体放置任务分解为全局和局部两个部分，分别进行建模，从而更好地利用场景信息和物体几何信息。

关键设计：1) 稠密GMM：使用多层感知机(MLP)作为前馈网络，输出GMM的均值、方差和混合系数。损失函数使用负对数似然损失。2) 解耦点云扩散：使用DDPM作为扩散模型，分别对物体点云和放置框架进行扩散。扩散过程使用高斯噪声，逆扩散过程使用神经网络预测噪声。损失函数使用L2损失。3) 训练过程：首先训练稠密GMM，然后固定GMM的参数，训练解耦点云扩散模块。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，TAX-DPD在模拟和真实世界的高精度工业插入任务中均取得了state-of-the-art的性能。在模拟环境中，TAX-DPD的放置精度比基于SE(3)-扩散的先前方法提高了显著的百分比（具体数值未知）。在真实世界中，TAX-DPD成功完成了高精度的工业插入任务，证明了其在实际应用中的有效性。此外，在模拟的挂布任务中，TAX-DPD也取得了良好的效果，表明其可以处理非刚性物体。

🎯 应用场景

该研究成果可应用于各种需要高精度物体放置的机器人操作任务，例如工业装配、医疗手术、家庭服务等。通过提高物体放置的精度和泛化能力，可以提高机器人操作的效率和可靠性，从而降低成本，提高生产力。未来，该方法可以进一步扩展到处理更复杂的物体和场景，例如柔性物体操作、动态环境等。

📄 摘要（原文）

Recent advances in robotic manipulation have highlighted the effectiveness of learning from demonstration. However, while end-to-end policies excel in expressivity and flexibility, they struggle both in generalizing to novel object geometries and in attaining a high degree of precision. An alternative, object-centric approach frames the task as predicting the placement pose of the target object, providing a modular decomposition of the problem. Building on this goal-prediction paradigm, we propose TAX-DPD, a hierarchical, disentangled point diffusion framework that achieves state-of-the-art performance in placement precision, multi-modal coverage, and generalization to variations in object geometries and scene configurations. We model global scene-level placements through a novel feed-forward Dense Gaussian Mixture Model (GMM) that yields a spatially dense prior over global placements; we then model the local object-level configuration through a novel disentangled point cloud diffusion module that separately diffuses the object geometry and the placement frame, enabling precise local geometric reasoning. Interestingly, we demonstrate that our point cloud diffusion achieves substantially higher accuracy than a prior approach based on SE(3)-diffusion, even in the context of rigid object placement. We validate our approach across a suite of challenging tasks in simulation and in the real-world on high-precision industrial insertion tasks. Furthermore, we present results on a cloth-hanging task in simulation, indicating that our framework can further relax assumptions on object rigidity.