RobOralScan: Learning Active Intraoral Scanning for Robotic Dental Reconstruction
作者: Jinhyung Lee, Haeun Yun, Siwon Kim, Gihyun Baek, Sungho Moon, Sehyun Hwang, Sunghoon Im
分类: cs.RO
发布日期: 2026-06-25
备注: 24 pages, including supplementary material
💡 一句话要点
提出RobOralScan以解决口腔内扫描自动化不足问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 口腔内扫描 机器人技术 强化学习 几何记忆 牙齿覆盖学习 自动化 医疗应用
📋 核心要点
- 现有的口腔内扫描方法在全弓和长跨度扫描中仍需大量人工操作，自动化程度低，影响重建质量。
- RobOralScan通过引入几何记忆观察空间和牙齿覆盖学习，利用强化学习实现机器人自动化扫描，提升扫描效率和质量。
- 实验结果显示，RobOralScan在10次评估中完成扫描标准的8次，Chamfer距离为0.00838，平均覆盖率达到92.58%。
📝 摘要（中文）
口腔内扫描在修复、植牙和正畸治疗中广泛应用，但全弓和长跨度扫描仍然是劳动密集型任务，自动化程度有限。操作人员在狭小的口腔内需不断调整扫描器运动，导致重建质量对缺失的牙齿表面和操作人员工作量敏感。本文提出的RobOralScan是首个基于强化学习的机器人自动口腔内扫描管道，采用几何记忆的观察空间，允许策略对扫描历史和不足观察区域进行推理。通过牙齿覆盖学习，结合覆盖感知奖励信号和渐进训练方案，RobOralScan在全球重建覆盖率和个别牙齿的均匀覆盖方面均有所提升。实验结果表明，该方法在物理机器人扫描器设置下具有实际可行性。
🔬 方法详解
问题定义：本文旨在解决口腔内扫描的自动化不足，现有方法在狭小空间内对扫描器运动的调整依赖人工，导致重建质量受限。
核心思路：RobOralScan采用强化学习框架，通过几何记忆的观察空间来积累部分扫描观察，允许策略对历史扫描和未充分观察区域进行推理，从而实现更智能的扫描控制。
技术框架：该方法主要包括几个模块：几何记忆模块用于存储和处理扫描数据，强化学习策略模块用于决策扫描器的运动，覆盖学习模块用于优化扫描覆盖率。
关键创新：RobOralScan的创新在于引入几何记忆观察空间和牙齿覆盖学习，这使得机器人能够在复杂的口腔环境中进行有效的扫描，显著提高了扫描的自动化水平。
关键设计：在训练过程中，采用覆盖感知奖励信号和渐进训练方案，确保机器人在扫描过程中能够均匀覆盖每颗牙齿，优化了损失函数和网络结构以适应口腔内的复杂情况。
🖼️ 关键图片
📊 实验亮点
RobOralScan在实验中取得了显著的性能，Chamfer距离为0.00838，平均覆盖率达到92.58%，并在10次评估中成功完成8次扫描标准。此外，零-shot仿真到现实的实验验证了其在物理机器人扫描器设置下的实际可行性。
🎯 应用场景
RobOralScan的研究成果可广泛应用于牙科领域，尤其是在修复、植牙和正畸治疗中，能够显著提高口腔内扫描的自动化程度和重建质量。未来，该技术有望推广至其他医疗领域的自动化扫描任务，提升医疗服务效率。
📄 摘要（原文）
Intraoral scanning is widely used for digital optical impressions in prosthodontic, implant, and orthodontic treatment, but full-arch and long-span scanning remain labor-intensive tasks with limited automation. In the confined oral cavity, operators must continuously adjust scanner motion while accumulating narrow field-of-view observations, making reconstruction quality sensitive to missing tooth surfaces and operator workload. We propose RobOralScan, which, to the best of our knowledge, is the first reinforcement learning (RL)-based pipeline for robotic automatic intraoral scanning. RobOralScan introduces a geometric memory-based observation space that accumulates partial scan observations into a tri-state geometric representation, allowing the policy to reason over scan history and insufficiently observed regions. It further introduces tooth-wise coverage learning, combining coverage-aware reward signals and a progressive training scheme to improve global reconstruction coverage while reducing uneven coverage across individual teeth. The learned policy selects relative scanner motions from accumulated geometric memory and robot proprioception for closed-loop scan control within the oral workspace. RobOralScan achieves a Chamfer Distance of 0.00838, an average coverage of 92.58%, a lower-tail per-tooth coverage of 88.45%, and a normalized AUC of 0.6674, completing the scan criterion in 8 of 10 evaluation episodes. Furthermore, zero-shot sim-to-real experiments demonstrate its practical feasibility on a physical robot-scanner setup.