BODex：基于双层优化的可扩展且高效的机器人灵巧抓取合成系统

机器人灵巧抓取对于与环境交互至为重要。为了发挥数据驱动模型在灵巧抓取领域的潜力，必须构建大规模、高质量的数据集。虽然梯度化优化方法为构建此类数据集提供了可行之路，但以往工作受到诸多限制，如效率低下、抓取质量能量函数假设过强，或实验对象集合有限。此外，缺乏用于比较不同方法和数据集的标准基准，致使该领域的进展受阻。为此，我们开发了高效的合成系统和一个针对灵巧抓取的全面基准测试体系，并基于 MuJoCo 实现。我们将抓取合成建模为双层优化问题，融合新颖的二次规划（QP）下层与上层梯度下降过程。通过利用最近在 CUDA 加速机器人库和 GPU 基于 QP 求解器方面的进展，我们的系统能够并行数千个抓取，在单张 3090 GPU 上实现每秒超过 49 个抓取的合成。我们合成的抓取在Shadow、Allegro和Leap手中均 achieves 超过 75% 的成功率（仿真环境下），穿透深度小于 1 毫米，在几乎所有指标上均优于现有基线方法。与前一大规模数据集DexGraspNet相比，我们的数据集显著提升了学习模型的性能，仿真环境下的成功率从约 40% 提升至 80%。对训练得到模型在Shadow Hand上的实际世界测试显示，成功率在 20 个多样化物体上达到 81%。相关代码与数据集已发布于项目页面：https://pku-epic.github.io/BODex。