基于流变分推断的 FFHFlow：多指抓取生成中的多样性与不确定性感知
机器人学
2025-09-05 v4 人工智能
机器学习
摘要
从部分观察中综合出多指手臂的多样化、不确定性感知抓取，仍是机器人学习中的关键挑战。先前的生成方法难以建模多指手臂的复杂抓取分布，常常无法推理部分点云中固有的形状不确定性，导致抓取不可靠或过于保守。我们提出 FFHFlow，一种基于流的变分框架，用于在显式量化部分点云感知不确定性的前提下，生成多样化、稳健的多指抓取。我们的 方法利用归一化流构建的深度潜在变量模型，学习分层抓取流形，克服了条件变分自编码器（cVAE）中的模式崩溃和刚性先验限制。通过利用流的可逆性和精确似然分布，FFHFlow 洞察部分观察中的形状不确定性，识别新对象结构，实现风险感知的抓取合成。为进一步增强可靠性，我们将判别式抓取评估器与流似然值集成，构建一种不确定性感知的排序策略，优先选择对形状模糊不清稳健的抓取。广泛的在仿真和真实世界环境中的实验表明，FFHFlow 在抓取多样性和成功率方面优于最先进的基线方法（包括扩散模型），同时实现了高效的采样。我们还展示了其在杂乱和受限环境中的实际价值，其中多样性驱动的采样通过减轻碰撞而优势明显。
引用
@article{arxiv.2407.15161,
title = {FFHFlow: Diverse and Uncertainty-Aware Dexterous Grasp Generation via Flow Variational Inference},
author = {Qian Feng and Jianxiang Feng and Zhaopeng Chen and Rudolph Triebel and Alois Knoll},
journal= {arXiv preprint arXiv:2407.15161},
year = {2025}
}
备注
First two authors contributed equally, whose ordering decided via coin-tossing. Accepted for CoRL 2025