TECHNOLOGY · 技术
灵巧手与抓取
CoToGrasp：基于接触拓扑条件的灵巧抓取合成新框架
法国科研团队提出CoToGrasp框架，在规范工作空间内学习接触流形，无需物体标注即可按接触拓扑生成稳定抓取，并完成真机验证。
AI 编撰 · 内容基于所列来源，重要信息请以原文为准
法国科研团队提出CoToGrasp框架，用于在接触拓扑条件下合成多样且稳定的灵巧抓取。现有抓取规划器主要优化物理稳定性，忽略了抓取方式对下游功能性任务的影响，而按人类抓取分类学约束合成通常依赖昂贵的物体标注数据集按统一格式整理好的大批量数据集合，是训练 AI 模型的「教材库」。开源数据集相当于整个行业的公共基础设施。◆ 小白科普 · 现身。CoToGrasp完全在物体无关模式下训练，通过基于特征的规范工作空间将局部物体特征映射到统一的夹持器中心域，解耦语义功能意图与物体几何，并在该空间内学习夹持器的固有接触流形，从而实现对未见物体的零样本泛化指 AI 面对没见过的新东西、新场景时也能举一反三做出正确反应的能力。这是「通用机器人」和「专用机器」的分水岭。◆ 小白科普 · 现身。在DexGraspNet数据集按统一格式整理好的大批量数据集合，是训练 AI 模型的「教材库」。开源数据集相当于整个行业的公共基础设施。◆ 小白科普 · 现身上的评估显示，其性能优于现有基于分类学的规划器。研究团队还在物理机器人平台上验证了合成接触拓扑的物理可行性和运动学可行性。代码已在项目网站公开。