从抓取到动作：动态环境中工具使用的灵巧抓取
机器人学
2026-02-25 v1
摘要
实现对动态力（如冲击、扭矩和持续阻力）下的稳健抓取仍然具有挑战性，这些情形在实际工具使用中常见。现有方法大多针对静态几何稳定性优化抓取，在外部力发生期间操作时往往失败。我们提出 Grasp-to-Act，一种混合系统，结合基于物理的抓取优化与基于强化学习的抓取适应，维持功能操作任务中稳定的抓取。该方法综合了来自人类演示的稳健抓取配置，并采用自适应控制器残差性地发布关节校正，以防止手中滑动并跟踪物体轨迹。Grasp-to-Act 使我们能够在五个动态工具使用任务（击锤、锯齿、切割、搅拌和提取）中实现稳健的零样本 sim-to-real 迁移， consistently 超过基线方法。在仿真和真实硬件试验中使用 16 自由度的灵巧手，该方法减少了横向和纵向手中滑动，实现了最高的任务完成率，展示了在动态、接触丰富条件下的稳定功能抓取。
引用
@article{arxiv.2602.20466,
title = {Grasp to Act: Dexterous Grasping for Tool Use in Dynamic Settings},
author = {Harsh Gupta and Mohammad Amin Mirzaee and Wenzhen Yuan},
journal= {arXiv preprint arXiv:2602.20466},
year = {2026}
}
备注
Result videos can be found at https://grasp2act.github.io/