MachaGrasp：基于形态学的跨体现力学灵巧手部关节 articulation 生成用于抓取
机器人学
2026-03-06 v3 人工智能
摘要
多指手的灵巧抓取由于高维关节 articulation 和基于优化的管道成本仍然具有挑战性。现有的端到端方法需要针对特定手部进行大规模数据集训练，限制了其在不同体现之间的泛化能力。我们提出 MachaGrasp，一种基于特征抓取的端到端框架，用于跨体现抓取生成。从手部的形态学描述中，我们派生出形态学嵌入和特征抓取集合。以这些嵌入为条件，结合物体点云和手腕姿态，一个幅度预测器回归低维空间中的 articulation 系数，这些系数被解码为完整的关节 articulation。通过一种动力学感知 articulation loss（KAL）进行 articulation 学习监督，该损失强调指腹相关运动并注入形态学特定结构。在未见物体上进行的三个灵巧手部仿真实验中，MachaGrasp 以 91.9% 的平均抓取成功率实现了每一次抓取 less than 0.4 秒的推理。通过少量适配未知手部，达到了 85.6% 的成功率，在仿真中对未知物体实现 87% 的成功率。实验中，针对这个 few-shot-泛化手部实现了 87% 的成功率。代码和附加材料可在我们的项目网站 https://connor-zh.github.io/MachaGrasp 上获得。
引用
@article{arxiv.2510.06068,
title = {MachaGrasp: Morphology-Aware Cross-Embodiment Dexterous Hand Articulation Generation for Grasping},
author = {Heng Zhang and Kevin Yuchen Ma and Mike Zheng Shou and Weisi Lin and Yan Wu},
journal= {arXiv preprint arXiv:2510.06068},
year = {2026}
}