智能體協作新紀元：NUS邵林團隊的交互式抓取表征革新

支持廣泛的機器人系統應用。

原標題：重塑跨智能體靈巧手抓取，NUS邵林團隊提出全新交互式表征，斬獲CoRL Workshop最佳機器人論文獎
文章來源：機器之心
內容字數：6893字

靈巧抓取的新突破：D(R，O) Grasp 方法

近年來，靈巧抓取作為機器人操作領域的一個核心挑戰，吸引了越來越多的研究關注。新加坡國立大學的邵林團隊在此領域取得了新進展，提出了一種名為 D(R，O) Grasp 的統一表示方法，旨在解決靈巧手與物體之間復雜的交互關系，進而實現跨智能體靈巧抓取的高效與魯棒。

1. 研究背景

靈巧抓取要求機器人手能夠與各種形狀的物體實現精確而穩定的交互。然而，現有的抓取策略通常需要為不同的機器人手型和物體形狀單獨優化，導致泛化能力不足。為了克服這一問題，邵林團隊提出 D(R，O) Grasp 方法，通過交互中心的統一表示，提升了靈巧抓取的效率和魯棒性。

2. D(R，O) Grasp 方法概述

D(R，O) Grasp 方法主要包含三個部分：基于對比學習的配置不變預訓練、D(R，O) 表征預測以及基于 D(R，O) 表征的抓取姿態生成。該方法通過捕捉機器人手與物體之間的空間關系，實現在不同手型與物體幾何形狀之間的廣泛泛化。

3. 關鍵技術

首先，配置不變的預訓練通過對齊不同配置下的幾何特征，提升了模型的泛化能力。接著，D(R，O) 表征作為相對距離矩陣，允許在多種機器人手型與物體之間建立聯系。最后，基于 D(R，O) 表征的抓取姿態生成，采用多點定位技術高效計算機器人手點云，優化過程簡單迅速。

4. 實驗結果與應用

實驗結果顯示，該方法在抓取成功率、姿態多樣性和生成效率等方面均顯著優于現有技術。尤其是在真實機器人實驗中，D(R，O) Grasp 方法在 10 個全新物體上的成功率達到了 89%。

5. 結論

通過 D(R，O) Grasp 方法，邵林團隊為靈巧抓取提供了新的解決方案，展示了良好的泛化能力和高效性。該研究不僅推動了機器人抓取技術的發展，也為未來更廣泛的機器人系統應用奠定了基礎。

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺