DexDiffuser: 使用扩散模型生成熟练抓取
内容提要
该文综述灵巧抓取研究进展，涵盖GenDexGrasp的多型机械手无偏见抓取算法与MultiDex数据集、UGG的扩散模型统一生成抓取、DexGraspNet的大规模数据集、Dex-Net系列的GQ-CNN快速抓取规划，以及Grasp'D可微分接触模拟和人机辅助抓取等方法。
延伸解读
从GenDexGrasp到UGG：抓取生成范式的演进
文章梳理了灵巧抓取生成的两条技术路线：GenDexGrasp以接触映射为中间表示，通过力闭合优化合成MultiDex数据集，在成功率、推断速度和多样性间取得平衡；UGG则采用扩散模型统一物体、手部和接触点信息，并集成轻量鉴别器提升成功率与多样性。两者都致力于解决多型机械手抓取的通用性问题，但UGG的扩散框架还支持根据手部信息生成物体，为对象设计提供了新视角。
数据集与评价指标：DexGraspNet和Q1的贡献
DexGraspNet作为大规模灵巧抓取数据集，凭借高效合成方法可普遍应用于任何灵巧机械手，其物体和抓取数量、多样性及质量均超越前人工作，多个算法在其上训练后准确率大幅提升。此外，有研究提出通用的Q1抓取评价指标，通过优化问题敏感度分析构建，在多种3D形状数据集上实现了比传统方法更高效鲁棒的抓取姿态学习。这些基础设施为领域提供了可复现的基准。
GQ-CNN与Grasp'D：速度与物理真实性的权衡
Dex-Net系列采用GQ-CNN在深度图像中快速规划抓取，对单个物体成功率高达93%，速度是点云索引方法的3倍，后续Dex-Net 3.0的吸盘接触模型在物理试验中取得98%、82%和58%的成功率。而Grasp'D利用可微分接触模拟，在高自由度机械手上实现稳定、高效、物理真实的抓取合成，接触数可达解析方法的4倍以上。两者分别代表了速度优先与物理真实性优先的不同取向。
人机辅助抓取与通用策略学习的新方向
文章还介绍了人机辅助灵巧抓取任务，通过Grasping Gradient Field和基于历史的剩余策略解决用户意图多样性和物体几何形状挑战，实验证明其在实际应用中的用户感知和实用性更优。同时，有研究提出物体不可知方法，从点云和自我感知信息中学习通用策略，结合几何意识课程学习和迭代通用-专家学习，在桌面精细抓取中分别达到85.4%和78.2%的成功率，展示了向通用化、实用化迈进的趋势。
Q&A
GenDexGrasp 算法的主要创新点是什么？
GenDexGrasp 是一种基于多型机械手的手无偏见抓取算法，它利用接触映射作为机械手无偏见的中间表示，并采用力闭合优化综合生成了大规模的多手抓取数据集 MultiDex。与先前方法相比，它在成功率、推断速度和多样性之间实现了三重平衡。
UGG 模型如何统一物体、手部和接触点的信息？
UGG 是一个统一的基于扩散的灵巧抓取生成模型，通过在物体点云和手部参数空间中操作，统一了物体、手部和接触点的信息，并引入了一种改进接触建模的新颖表示。该模型灵活性和质量高，可集成轻量级鉴别器，通过模拟鉴别数据推动高成功率同时保持高多样性。
DexGraspNet 数据集有什么特点？
DexGraspNet 是一个大规模机器人灵巧抓取数据集，由高效合成方法生成，可普遍应用于任何灵巧的机械手。它比之前的数据集具有更多物体和抓取、更高的多样性和质量，并通过多个算法训练大幅提高了机器人灵巧抓取的准确性。
GQ-CNN 在抓取规划中的表现如何？
GQ-CNN 模型使用 Dex-Net 2.0 生成的合成数据集训练，实现了在深度图像中规划机械手抓取的快速、准确计算。实验显示，其在处理单个对象上的成功率高达 93%，速度是使用点云计算对象的预计算数据集并索引抓取的模型快 3 倍。
Grasp'D 方法相比解析掌握合成有什么优势？
Grasp'D 使用可微分接触模拟技术从多指模型的已知模型和视觉输入中实现掌握合成，可以在高自由度机械手中稳定、高效、物理现实地实现高接触掌握合成。与解析掌握合成相比，Grasp'D 的结果可以实现 4 倍以上的接触和更高的稳定性。
人机辅助灵巧抓取任务中如何解决用户意图多样性和物体几何形状的挑战？
该任务旨在训练一个用于控制机器人手指来辅助用户抓取物体的策略。通过提出 Grasping Gradient Field（GraspGF）和基于历史的剩余策略，解决了用户意图多样性和物体几何形状的挑战，实验证明了该方法在实际应用中的用户感知和实用性的优越性。
