DexGraspFlow：面向跨本体灵巧抓取生成的拓扑感知 SE(3) 流匹配
DexGraspFlow 提出条件连杆级 SE(3) 流匹配框架，融合局部物体几何、连杆几何与运动学树距离导出的注意力偏置，用双流 DiT 建模连杆—连杆与连杆—物体交互，联合学习平移与旋转速度场并积分生成连杆位姿，再经逆运动学恢复关节构型。在三款机器人手、30 组物体—手部配对上，平均仿真成功率 95.33%，含逆运动学的平均生成延迟较当前最优基线低约 49%。模型对七种去指变体与掌心朝向引导实现零样本适应；针对部署手部训练的模型在 100 次真机抓取中成功率 91%。
发布于 10-22 10:54来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《DexGraspFlow: Topology-Aware SE(3) Flow Matching for Cross-Embodiment Dexterous Grasp Generation》查看原链
手部几何结构、关节参数化与运动学拓扑的差异给跨本体灵巧抓取生成带来挑战。 然而，仅靠连杆之间的空间关系不足以完整刻画手部的运动学拓扑。 我们提出 DexGraspFlow，一个融合几何关系与运动学拓扑的条件连杆级 SE(3) 流匹配框架。 该框架编码局部物体几何、连杆几何与当前位姿。
双流 DiT 建模连杆—连杆协调与连杆—物体交互，而由运动学树距离导出的注意力偏置为建模演化中的几何交互提供显式结构信息。 模型联合学习平移与旋转速度场，对其积分以生成连杆位姿，并通过逆运动学恢复关节构型。 此外，推理阶段的掌心朝向引导使抓取生成可控而无需重新训练。
在三款机器人手、30 组物体—手部配对上，DexGraspFlow 取得 95.33% 的平均仿真成功率，包含逆运动学在内的平均生成延迟较当前最优基线降低约 49%。 进一步实验显示其对七种去指变体与掌心朝向控制的零样本适应能力。 针对部署手部用示范数据训练的模型在 100 次真机抓取试验中达到 91% 成功率，支持该框架用于物理抓取执行。