- 现有**机械臂抛掷操作(throw-flip)** 难以实现稳定的平面姿态定向控制，尤其是面对多样化物体时
- 高自由度机械臂的抛掷任务存在**释放时机不确定性(release-timing uncertainty)**，影响最终落点姿态
- 研究背景：工业和服务机器人需要灵活地处理不同形状、大小和质量的物体，传统基于模型或数据驱动的方法需要大量标定或数据收集
- 将任务分解为**对象级规划器(object-level planner)** 和**机器人级规划器(robot-level planner)**，前者生成候选释放状态满足目标落点姿态，后者评估可执行性并构建可行的摆动运动
- 将**释放状态(release state)** 作为显式中间表示，实现原则性候选过滤、自适应选择释放和预摆动构型，以及结构化的近释放运动设计
- 在最后摆动阶段采用**近似恒定末端执行器速度(approximately constant end-effector velocities)**，以提高对释放时机不确定性的鲁棒性
- **首创性**：提出一种无需先验数据或学习模型的**零样本(zero-shot)** 抛掷翻转框架，可直接部署于新物体和新目标
- **结构化分解**：通过显式释放状态表示，将复杂的抛掷任务解耦为对象级和机器人级规划，提升了可解释性和可迁移性
- **鲁棒性设计**：利用恒定末端速度策略有效缓解释放时机误差，在真实平台上达到**90%成功率（120次试验）**
- 为**机械臂抛掷操作(robotic throwing)** 领域提供了一种实用、稳定且无需数据标注的范式，适用于多样化物体
- 通过消融实验验证了每个设计选择（如恒定速度、候选过滤）对性能的贡献，为后续研究提供参考
- 框架的零样本部署能力显著降低了实际应用中的环境标定和数据收集成本，有望推广到更广泛的机器人操作场景