DexEvolve：基于进化优化的鲁棒多样化指尖抓取合成
机器人学
2026-02-18 v1
摘要
指尖抓取是机器人学的基本问题，但数据驱动的抓取预测严重依赖大规模、多样化的数据集，这些数据集昂贵且通常仅限于狭窄的夹抓器形态。解析抓取合成可用于扩展数据收集，但必要的简化假设常常产生在高保真仿真器中需要筛选的物理不可行抓取，从而显著减少抓取总数及其多样性。我们提出了一种可扩展的生成-精炼管线，用于合成大规模、多样化且物理可行的抓取。我们不仅将高保真仿真器用于验证和筛选，更将其作为持续改进抓取质量的优化阶段，而不丢弃预计算的候选方案。更具体地，我们以一组解析生成的、可能次优的抓取为种子初始化进化搜索。随后，我们在高保真仿真器（Isaac Sim）中使用异步、无梯度的进化算法对这些提案进行精炼，在提高稳定性的同时保持多样性。此外，精炼阶段可以引导向人类偏好和/或特定领域的质量指标，而无需可微目标。我们进一步将精炼后的抓取分布蒸馏到扩散模型中，以实现稳健的实际部署，并突出显示多样性在有效训练和部署期间的重要作用。在新引入的 Handles 数据集和 DexGraspNet 子集上的实验表明，我们的方法每件物品实现超过 120 个不同稳定抓取（相较于未精炼的解析方法提升 1.7-6 倍），同时在独特抓取覆盖方面优于扩散模型方法 46-60%。
引用
@article{arxiv.2602.15201,
title = {DexEvolve: Evolutionary Optimization for Robust and Diverse Dexterous Grasp Synthesis},
author = {René Zurbrügg and Andrei Cramariuc and Marco Hutter},
journal= {arXiv preprint arXiv:2602.15201},
year = {2026}
}