具身智能🔥7.0
DexGraspFlow：拓扑感知的SE(3)流匹配跨本体灵巧抓取生成
原标题: DexGraspFlow：拓扑感知的SE(3)流匹配跨本体灵巧抓取生成
📋总体概括
DexGraspFlow是一个面向跨本体灵巧手抓取生成的SE(3)流匹配框架，针对不同灵巧手在几何结构、关节参数化与运动学拓扑上的差异问题，提出在链路级同时编码物体几何、链路几何与位姿。框架采用双流DiT建模链路间协同与链路-物体交互，并利用运动学树距离生成注意力偏置注入结构信息，联合学习平移与旋转速度场，最终从链路位姿恢复关节配置，实现一次训练适配多种灵巧手。
⚡关键信息
- ▸DexGraspFlow针对跨本体灵巧抓取难题，处理手部几何、关节参数化与运动学拓扑差异
- ▸框架采用条件链路级SE(3)流匹配，同时编码局部物体几何、链路几何与当前位姿
- ▸双流DiT分别建模链路-链路协同与链路-物体交互两类关系
- ▸基于运动学树距离的注意力偏置为演化中的几何交互提供显式结构信息
- ▸模型联合学习平移与旋转速度场，积分生成链路位姿后再恢复关节配置
🔥犀利点评
跨本体泛化是灵巧手抓取绕不开的坎——每换一款手就重训一遍模型，谁受得了。这篇工作把「运动学拓扑」显式喂给模型而非只看空间关系，思路是对的：连杆相对位置会骗人，树状结构不会。双流DiT加注意力偏置的组合不算惊艳，但把关节恢复放在位姿生成之后，等于把结构差异留给逆运动学去消化，是个务实的解耦。能不能落地，还得看真实多手型数据上的泛化成绩，arXiv阶段先保持审慎乐观。
📰 相关资讯（与本文相关的其他资讯）
本文由本站自动聚合，以下为原始来源：前往 arXiv cs.RO 论文 阅读全文 →