Dexonomy：在抓取分类法中合成所有灵活抓取类型

具有合适抓取类型的可泛化灵活抓取是智能机器人不可或缺的技能。developing此类技能需要大规模高质量的数据集，涵盖GRASP分类法中至少分类的众多抓取类型，但收集此类数据极具挑战性。现有自动抓取合成方法往往仅限于特定抓取类型或物体类别，限制了可扩展性。本工作提出了一条高效的管道，能够为任何抓取类型、物体和可关节手臂合成接触丰富、无穿透且物理上合理的抓取。该管道以每种手和抓取类型的单个人工注释模板为起点，经过两个阶段处理：首先优化物体以适配手模板，然后在仿真中局部优化手以适配物体。为验证所合成的抓取，我们引入一种基于接触感知的控制策略，使手臂能够在每个接触点对物体施加适当力。这些经验证的抓取还可作为新的抓取模板，用于促进未来的合成。实验表明，我们的方法在仿真中显著优于现有的类型不敏感抓取合成基准。使用我们的算法，我们构建了一个包含10.7k个物体和9.5M个抓取、覆盖GRASP分类法中31种抓取类型的dataset。最后，我们训练了一个类型条件生成模型，成功实现了从单目物体点云中生成所需的抓取类型，实现率达82.3%。项目页面：https://pku-epic.github.io/Dexonomy。