日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2609.20078

FlipToSee: 再把持による能動的視覚探索のための確率的安定配置事前分布

FlipToSee: A Probabilistic Stable Placement Prior for Active Visual Exploration via Regrasping

シェア:XThreadsFacebookLINEはてブBluesky

単視点点雲から物体の安定配置を確率的に予測し、把持・動作計画と統合して未知物体の隠れた面を見るための再把持を実現した。

詳しい要約

1. どんなもの?

- 卓上物体の能動的視覚探索のための確率的安定配置事前分布を学習する手法。 - 単視点点雲から、未知の物体を別の安定支持面に再配置する候補を予測。 - 配置をS^2上の単位支持法線としてパラメータ化し、von Mises--Fisher混合密度ネットワークで多峰性条件付き分布をモデル化。 - 混合成分から候補集合を決定論的に抽出し、候補整合監督で訓練した補助ヘッドでロバスト性再ランキング。 - シミュレーションと実機で探索的再把持に統合。

2. 先行研究と比べてどこがすごい?

- 従来の6-DoF回帰は並進と面内yawをモデル化し曖昧さを導入するが、FlipToSeeは支持法線表現でこの表現曖昧性を除去。 - 安定配置予測の本質的多峰性に対し、von Mises--Fisher混合密度ネットワークで多峰条件付き分布を直接モデル化。 - モード多様性と物理的ロバスト性を分離するため、決定論的候補抽出とロバスト性再ランキングを組み合わせ。 - シミュレーションで分布内98.4%、分布外95.3%、ゼロショットYCB90.0%の初回提案成功率を達成。

3. 技術・手法の肝は?

- 単視点点雲を入力とし、配置をS^2上の単位支持法線としてパラメータ化。 - von Mises--Fisher混合密度ネットワークで多峰性条件付き分布を学習。 - 混合成分からコンパクトな候補集合を決定論的に抽出。 - 候補整合監督で訓練した補助ヘッドによりロバスト性を考慮した再ランキングを実施。 - 学習した配置事前分布を把持・運動計画と統合し、探索的再把持を実現。

4. どうやって有効だと検証した?

- シミュレーションで分布内物体98.4%、分布外形状95.3%、家庭用YCB物体へのゼロショット転移90.0%の初回提案成功率を報告。 - 実機ロボットで把持・運動計画と統合し、探索的再把持に適用して有効性を実証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- von Mises--Fisher mixture density network - 6-DoF regression - YCB objects - 安定配置予測 - 能動的視覚探索

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Chang Shu, Sushil Samuel Dinesh, Shinkyu Park

分類: cs.RO

原文アブストラクト

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.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI