微软&悉尼大学｜UniGraspTransformer：灵巧机器人抓取技术新突破！

摘要 在机器人研究领域，灵巧机器人抓取任务始终是极具挑战性的难题。不同形状、尺寸和物理属性的物体，以及多指灵巧手复杂的控制要求，都为机器人实现精准抓取带来了诸多阻碍。虽然已有研究取得了一定进展，但仍存在训练过程复杂、模型扩展性差以及抓取姿态单一等问题。在此背景下，UniGraspTransformer应运而生，它简化了训练流程，提升了模型性能与泛化能力，为灵巧机器人抓取技术带来了新的突破。

©️【深蓝AI】编译

论文标题：UniGraspTransformer: Simplified Policy Distillation for Scalable Dexterous Robotic Grasping

论文作者：Wenbo Wang Fangyun Wei* Lei Zhou Xi Chen Lin Luo Xiaohan Yi Yizhong Zhang Yaobo Liang Chang Xu Yan Lu Jiaolong Yang Baining Guo

论文地址：https://dexhand.github.io/UniGraspTransformer/

一、传统方法的困境与UniGraspTransformer的诞生

传统的基于夹爪的机器人抓取技术受夹爪结构限制，难以适应复杂形状物体。而灵巧抓取虽引入多指操作，却面临控制难题。以UniDexGrasp++为代表的方法，虽在灵巧抓取方面有所进步，但训练流程复杂，包含策略学习、几何感知聚类、课程学习和策略蒸馏等多个步骤，不仅增加了训练难度，还限制了模型的扩展性。当单一网络处理大量不同物体时，其性能会显著下降。

为解决这些问题，研究人员提出了UniGraspTransformer。它通过创新的训练方式，旨在打造一个能处理数千个物