GraspQP：面向多样且鲁棒灵巧抓取的力封闭可微优化
机器人学
2025-08-22 v1
摘要
多指设计的柔顺性和适应性使灵巧机械手能够实现多种交互，从而在多样环境中产生广泛的任务特定抓取构型。然而，要充分利用灵巧手的能力，获取多样且高质量的抓取数据至关重要——无论是用于从点云开发抓取预测模型、训练操作策略，还是为高层任务规划提供更广泛的动作选项。现有的数据集生成方法通常依赖基于采样的算法或简化的力封闭分析，这些方法倾向于收敛到强力抓取，并且通常表现出有限的多样性。在这项工作中，我们提出了一种合成大规模、多样且物理可行的抓取方法，这些抓取超越了简单的强力抓取，包括精细操作，如捏取和三指精确抓取。我们引入了一种严格的、可微的力封闭能量公式，该公式通过二次规划 (Quadratic Program, QP) 隐式定义。此外，我们提出了一种调整后的优化方法 (MALA*)，该方法通过基于所有样本的能量值分布动态拒绝梯度步来提升性能。我们广泛评估了我们的方法，并证明了在抓取多样性和最终抓取预测稳定性方面的显著改进。最后，我们为来自 DexGraspNet 的 5,700 个对象提供了一个新的大规模抓取数据集，包含五种不同的夹持器和三种不同的抓取类型。数据集与代码：https://graspqp.github.io/
引用
@article{arxiv.2508.15002,
title = {GraspQP: Differentiable Optimization of Force Closure for Diverse and Robust Dexterous Grasping},
author = {René Zurbrügg and Andrei Cramariuc and Marco Hutter},
journal= {arXiv preprint arXiv:2508.15002},
year = {2025}
}