CoToGrasp提出接触拓扑条件化灵巧抓取合成方法

现有灵巧抓取规划器主要优化物理稳定性，关注物体能否被抓住，而非如何抓取以支持后续功能任务。然而，将抓取合成条件化为特定人类抓取分类通常需要成本高昂且带对象标注的数据集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。为此，研究团队提出CoToGrasp，一种新颖的生成框架，能够严格基于特定接触拓扑合成多样且稳定的抓取。为绕过数据收集瓶颈，CoToGrasp完全以对象无关方式进行训练。方法引入基于特征的标准工作空间，将局部对象特征投影到统一的以抓取器为中心的域中，有效解耦语义功能意图与任意对象几何。通过在该工作空间内学习抓取器固有接触流形，模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身在推理时实现对未见对象的零样本泛化泛化指 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。

在大型DexGraspNet数据集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 · 现身上的广泛评估表明，CoToGrasp达到当前最优性能，优于现有分类引导的规划器。最后，研究在真实机器人平台上证明了合成接触拓扑的物理可行性和运动学可行性。代码已公开。