国防科大提出灵巧手抓取策略迁移新方案：智能图形学与Transformer助力泛化能力提升

本文介绍的是国防科技大学智能图形计算团队在智能图形学、具身智能、机器学习及三维视觉等方面的研究成果。该团队拥有众多国家级人才，长期致力于数据驱动三维感知、建模与交互的研究，并在国际上发表了大量高质量论文，荣获多个奖项。

在机器人操作领域，抓取任务一直是核心难题之一。该任务的目标是使机械手准确地移动到指定位置并成功抓取物体。近年来，基于学习的方法显著提升了对不同物体抓取的泛化能力，但在灵巧手（多指机械手）上的泛化研究相对较少。由于灵巧手在结构和几何上有很大差异，抓取策略难以在不同灵巧手之间直接迁移。

国防科技大学与深圳大学的研究人员为此提出了一个新的策略学习方法，通过设计一致的灵巧手表征和分离高层运动生成与低层关节控制，实现了策略在不同灵巧手间的高效迁移，同时保持了良好的抓取性能和泛化能力。

该方法的主要创新点包括：
1. 运动和控制分离的层次化框架：将高层次的抓取运动预测与低层次的关节控制分开，通用策略负责整体运动规划，专用控制模块负责具体关节控制。
2. 手无关的状态和动作表示：提出了一种通用表示方法，结合灵巧手间通用的关键点和几何特征，避免了结构和几何差异对策略泛化的影响。
3. 基于 Transformer 的策略网络设计：通过注意力机制整合不同手指信息，适用于不同手指数量的灵巧手，进一步提高了策略的泛化能力。

本文来源：