一手训练，多手应用：国防科大提出灵巧手抓取策略迁移新方案

国防科技大学与深圳大学研究者提出新策略学习方法，解决机器人灵巧手抓取任务的跨手转移问题。

通过分离高层运动生成与低层关节控制，实现策略在不同灵巧手间的低成本迁移，保持抓取性能。

采用基于Transformer的策略网络，提升模型的适应性和泛化能力。

实验验证了该方法在多种灵巧手和物体上的优越性能。

该团队在智能图形学、具身智能、机器学习等领域有显著研究成果。

抓取任务是机器人操作中的关键问题，复杂灵巧手之间的泛化能力仍然缺乏深入研究。

提出的策略学习方法利用一致性表征设计，克服灵巧手结构和几何差异对策略泛化的影响。

运动和控制分离的层次化框架提高了模型在多种灵巧手上的适应性。

手无关的状态和动作表示避免了灵巧手结构差异对策略泛化的影响。

基于Transformer的网络结构设计提升了抓取策略的泛化能力。

模型训练分为联合训练和迁移训练，确保模型在不同抓取器上的通用性和性能。

实验结果表明该方法在不同灵巧手和物体上的抓取性能优越，验证了方法的泛化性。