FlipToSee: A Probabilistic Stable Placement Prior for Active Visual Exploration via Regrasping
作者: Chang Shu, Sushil Samuel Dinesh, Shinkyu Park
分类: cs.RO
发布日期: 2026-09-17
💡 一句话要点
提出FlipToSee以解决主动视觉探索中的稳定放置问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 主动视觉探索 稳定放置 概率模型 冯·米塞斯-费舍尔 机器人抓取 多模态建模 物体识别
📋 核心要点
- 现有方法在主动视觉探索中难以有效识别物体的稳定放置位置，尤其是在面对遮挡表面时。
- 论文提出的FlipToSee框架通过概率性建模消除了放置表示的模糊性，利用冯·米塞斯-费舍尔混合密度网络来处理多模态分布。
- 实验结果表明，FlipToSee在多种物体上均取得了高达98.4%的首次提案成功率，展示了其在实际应用中的有效性。
📝 摘要（中文）
主动视觉探索桌面物体通常需要将未知的静止物体重新定向到不同的稳定支撑面，以暴露被遮挡的表面。为了在不进行全面物理搜索的情况下识别这种放置，我们从单视点点云中学习了概率性放置先验。稳定放置预测本质上是多模态的，而传统的6自由度回归通过建模平移和面内偏航引入了进一步的模糊性。因此，我们提出了FlipToSee，一个概率框架，通过将放置参数化为单位支撑法线并通过冯·米塞斯-费舍尔混合密度网络建模其多模态条件分布，从而消除了这种表示模糊性。在仿真中，FlipToSee在分布内物体上实现了98.4%的首次提案成功率，在分布外形状上为95.3%，在对家庭YCB物体的零样本迁移中为90.0%。我们进一步通过将学习到的放置先验与抓取和运动规划结合，展示了其在物理机器人上的应用。
🔬 方法详解
问题定义：论文要解决的问题是如何在主动视觉探索中有效识别物体的稳定放置位置。现有方法在处理多模态放置预测时存在模糊性，尤其是在物体的平移和旋转方面，导致难以准确识别最佳放置面。
核心思路：论文的核心思路是通过将放置参数化为单位支撑法线，利用概率模型来消除表示模糊性。通过冯·米塞斯-费舍尔混合密度网络，能够有效建模多模态条件分布，从而提高放置预测的准确性和可靠性。
技术框架：整体架构包括数据输入、概率模型学习、候选集提取和重排序等模块。首先，从单视点点云中提取特征，然后通过混合密度网络进行多模态建模，最后提取出候选放置并进行基于鲁棒性的重排序。
关键创新：最重要的技术创新点在于通过冯·米塞斯-费舍尔混合密度网络处理多模态分布，消除了传统方法在放置表示上的模糊性。这种方法能够更好地处理物体的多样性和复杂性。
关键设计：关键设计包括使用单位法线表示放置方向，损失函数设计为结合候选对齐监督的辅助头，以提高模型的鲁棒性和准确性。网络结构上，采用了混合密度网络以有效捕捉多模态特征。
🖼️ 关键图片
📊 实验亮点
实验结果显示，FlipToSee在分布内物体上实现了98.4%的首次提案成功率，分布外形状上为95.3%，并在零样本迁移到家庭YCB物体时达到了90.0%的成功率，显著优于现有方法。
🎯 应用场景
该研究的潜在应用领域包括机器人抓取、物体识别和人机交互等。通过提高物体放置的准确性，FlipToSee可以在自动化仓储、服务机器人和智能家居等场景中发挥重要作用，提升机器人的自主性和灵活性。
📄 摘要（原文）
Active visual exploration of tabletop objects often requires reorienting an unknown resting object onto a different stable support face to expose occluded surfaces. To identify such placements without exhaustive physical search, we learn a probabilistic placement prior from a single-view point cloud. Stable placement prediction is inherently multimodal, and conventional 6-DoF regression introduces further ambiguity by modeling translation and in-plane yaw. We therefore propose FlipToSee, a probabilistic framework that removes this representational ambiguity by parameterizing placements as unit support normals on $S^2$ while modeling their multimodal conditional distribution via a von Mises--Fisher mixture density network. To decouple mode diversity from physical robustness, FlipToSee deterministically extracts a compact candidate set from the mixture components and applies robustness-aware reranking using an auxiliary head trained with candidate-aligned supervision. In simulation, FlipToSee achieves $98.4\%$ first-proposal success on in-distribution objects, $95.3\%$ on out-of-distribution shapes, and $90.0\%$ under zero-shot transfer to household YCB objects. We further demonstrate the learned placement prior on a physical robot by integrating it with grasp and motion planning for exploratory regrasping.