CoToGrasp：基于接触拓扑条件的手部抓取合成框架

当前的灵巧抓取规划器主要优化物理稳定性，关注物体能否被抓取，而非如何抓取以支持下游功能任务。然而，基于特定人类抓取分类法来引导抓取合成通常需要极其昂贵且带有物体标注的数据集。为了解决这些局限性，我们提出了 CoToGrasp，这是一种新颖的生成式框架，能够严格根据特定的接触拓扑结构合成多样化且稳定的抓取姿态。为了绕过数据收集的瓶颈，CoToGrasp 完全以与物体无关的方式进行训练。我们引入了一种基于特征的规范工作空间，将局部物体特征投影到统一的以机械手为中心的领域，从而有效地将语义功能意图与任意的物体几何形状解耦。通过在该工作空间中学习机械手的内在接触流形，我们的模型在推理时能够对未见过的物体实现零样本泛化。在大规模 DexGraspNet 数据集上的广泛评估表明，CoToGrasp 达到了最先进的性能，优于现有的基于分类法的规划器。最后，我们在实体机器人平台上展示了我们合成的接触拓扑结构的物理可行性和运动学可行性。代码可在我们的项目网站 https://cea-list.github.io/cotograspweb/ 获取。