.png){kind=icon}
返回
DexGraspDiffuser: Target-Coupled Grasp and Action Diffusion for Dexterous Grasping
.png){kind=icon}
OA
AI
DOI：10.3390/biomimetics11070465.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
灵巧抓取在多指机器人手中对于通用机器人操作至关重要，但由于手部高维构型、多模态抓取分布和接触丰富的执行动力学而具有挑战性。现有方法通常将抓取目标生成与执行策略学习解耦，这限制了生成抓取目标与下游控制之间的一致性。为解决此问题，我们提出了DexGraspDiffuser，一种目标耦合的抓取与动作扩散框架用于灵巧抓取。第一阶段，GraspDiffusion利用手根平移、连续旋转和手指关节构型的紧凑表示，从物体点云生成多样且物理合理的抓取目标。第二阶段，目标条件扩散策略根据选定的抓取目标和当前观察预测时序一致的动作序列。在推理过程中，滚动时域执行实现了动作前缀执行和在线重规划，以提高鲁棒性。实验表明，DexGraspDiffuser在训练对象、已见类别的未见对象和未见类别的对象上分别达到0.76、0.72和0.68的成功率。这些结果对应三拆分平均成功率为0.72，训练到未见泛化差距为0.08。与在同一对象拆分和评估协议下再现的UniDexGrasp-T基准相比，DexGraspDiffuser将三拆分平均成功率提高了3.3个百分点，并将平均平均位置误差降低了0.53厘米。这表明目标耦合的抓取与动作扩散有助于提高抓取质量、执行精度和闭环稳定性。
Keyword:
dexterous grasping
conditional diffusion
grasp generation
diffusion policy
receding-horizon execution
期刊
B
IF:
3.9
论文数:
3.2K
被引数:
5.1K
机构
引用论文
Diffangle-Grasp: Dexterous Grasp Synthesis via Fine-Grained Contact Generation and Natural Pose Optimization宁, M.; 邓C.; 占Z.; 殷Q.; 夏X. Diffangle-Grasp: 通过精细接触生成和自然姿态优化实现灵巧抓取合成. Biomimetics 2025, 10, 492. [Google Scholar] [CrossRef] [PubMed].png)
Biomimetics
BiomimeticsIF0
PREAI
分享收藏Human-like Dexterous Grasping Through Reinforcement Learning and Multimodal Perception通过强化学习和多模态感知实现类似人的灵巧抓握BIOMIMETICS
OAAI
BIOMIMETICSIF3.9
OAAI分享收藏Machine learning-assisted flexible dual modal sensor for multi-sensing detection and target object recognition in the grasping process机器学习辅助的柔性双模态传感器，用于抓取过程中的多传感检测和目标物体识别LAB ON A CHIP
LAB ON A CHIPIF5.4
PREAI
分享收藏Design of a Hierarchical Control Architecture for Fully-Driven Multi-Fingered Dexterous Hand金, Y.; 王, H.; 葛, H.; 鲍, G. 全驱动多指灵巧手分层控制架构的设计. Biomimetics 2025, 10, 422. [Google Scholar] [CrossRef] [PubMed]Biomimetics
BiomimeticsIF0
PREAI
分享收藏An overview of learning-based dexterous grasping: recent advances and future directions基于学习的灵巧抓握概述: 最新进展和未来方向OAAI
OAAI分享收藏
查看更多内容