RobustDexGrasp：对一般物体的稳健指性抓取

稳健抓取多样化物体的能力是 dexterous 机器人的核心要求。本文提出一种用于零样本动态指性抓取的框架，采用单视图视觉输入，旨在抵抗各种扰动。我们的方法基于手臂中心物体形状表示，即手指关节与物体表面之间的 dynamic 距离向量。该表示捕获潜在接触区域周围的局部形状，而非关注详细的全局物体几何，从而增强了对形状变异和不确定性的泛化能力。为解决感知限制，我们集成了 privileged teacher policy 与混合 curriculum learning 方法，使 student policy 能有效蒸馏抓取能力并探索适应扰动。我们在仿真中训练的该方法在 247,786 个模拟物体上达到 97.0% 的成功率，在 512 个真实物体上达到 94.6% 的成功率，显示出惊人的泛化能力。定量和定性结果验证了该策略在各种扰动下的稳健性。