EFF-Grasp：基于能量场流匹配的物理感知灵巧抓取
计算机视觉与模式识别
2026-03-18 v1
摘要
去噪生成模型最近因其能够从大规模数据中建模复杂抓取分布而成为灵巧抓取生成的主导范式。然而，现有的扩散基方法通常将生成形式化为随机微分方程（SDE），这需要许多顺序去噪步骤，并引入轨迹不稳定性，可能导致不可物理的抓取。本文提出了 EFF-Grasp，一种基于流匹配的物理感知灵巧抓取框架。具体而言，我们将抓取合成重新表述为确定性常微分方程（ODE）过程，这使通过平滑概率流实现高效且稳定的生成。为进一步强制物理可行性，我们引入了一种训练自由的物理感知能量引导策略。该方法通过适应显式物理能量函数定义能量引导的目标分布，这些函数捕获关键抓取约束，并通过推断期间的局部蒙特卡罗近似估计相应的引导项。如此一来，EFF-Grasp 在无需额外物理训练或仿真反馈的情况下，动态地将生成轨迹引导至物理可行区域。广泛的实验表明，EFF-Grasp 在抓取质量和物理可行性方面优于基于扩散的方法，同时所需的采样步骤数大幅减少。
引用
@article{arxiv.2603.16151,
title = {EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation},
author = {Yukun Zhao and Zichen Zhong and Yongshun Gong and Yilong Yin and Haoliang Sun},
journal= {arXiv preprint arXiv:2603.16151},
year = {2026}
}