面向可供性感知且具备类人先验的机器人灵巧抓取

能够泛化抓取物体的灵巧手是发展通用具身人工智能的基础。然而，以往方法仅狭隘地关注底层抓取稳定性指标，忽视了对下游操作至关重要的可供性感知定位和类人姿态。为解决这些局限，我们提出 AffordDex，一个采用两阶段训练的新颖框架，学习一种内在地理解运动先验和物体可供性的通用抓取策略。在第一阶段，轨迹模仿器在大量人类手部运动语料库上进行预训练，以注入自然运动的强先验。在第二阶段，训练一个残差模块，将这些通用的类人运动适应于特定的物体实例。此细化过程由两个组件关键性地引导：我们的负可供性感知分割（NAA）模块，用于识别功能上不合适的接触区域；以及一个特权教师-学生蒸馏过程，确保最终的基于视觉的策略具有高成功率。大量实验表明，AffordDex 不仅实现了通用的灵巧抓取，而且在姿态上保持了显著的类人特性，并在接触位置上功能适宜。因此，AffordDex 在已见物体、未见实例甚至全新类别上，均显著优于最先进的基线方法。