基于条件扩散模型的接触图迁移用于通用灵巧抓取生成
机器人学
2025-11-04 v1
摘要
灵巧抓取生成是机器人中的基础挑战，需要抓取稳定性和跨异构对象和任务的适应性。解析方法确保稳定抓取但效率低下且缺乏任务适应性，而生成方法提高了效率和任务集成度，但由于数据限制，难以对未见对象和任务进行良好泛化。在本文中，我们提出了一个基于迁移的灵巧抓取生成框架，利用条件扩散模型将形状模板上的高质量抓取迁移到同一类别中的新对象。具体而言，我们将抓取迁移问题重新表述为对象接触图的生成，纳入对象形状相似性和任务规范化于扩散过程中。在处理复杂形状变化时，我们引入双映射机制，捕捉形状模板与新对象之间复杂的几何关系。除了接触图，我们还衍生出两个额外的对象中心图，接触部件图和方向图，用于编码更稳定抓取的更细致接触细节。我们然后开发了一个级联条件扩散模型框架，以联合迁移这三个图，确保其内部一致性。最后，我们引入一个稳健的抓取恢复机制，识别可靠的接触点并高效优化抓取配置。大量实验表明，我们提出的方法优于现有方法。我们的ethods有效平衡了抓取质量、生成效率和跨各种任务的泛化性能。项目主页: https://cmtdiffusion.github.io/
引用
@article{arxiv.2511.01276,
title = {Contact Map Transfer with Conditional Diffusion Model for Generalizable Dexterous Grasp Generation},
author = {Yiyao Ma and Kai Chen and Kexin Zheng and Qi Dou},
journal= {arXiv preprint arXiv:2511.01276},
year = {2025}
}