机器之心报道
人工智能数字化转型
汽车科技交叉前沿专栏
心思学堂年度榜单
摘要：国防科技大学智能图形计算团队提出了一种新的灵巧手抓取策略迁移方法，实现了在一种灵巧手上训练的策略以低代价迁移到其他灵巧手，并保持了抓取性能和物体泛化性。该方法为复杂机械手之间的抓取策略迁移提供了新的思路。
一手训练，多手应用：国防科大提出灵巧手抓取策略迁移新方案
在机器人研究领域，抓取任务始终是机器人操作中的一个关键问题。近年来，基于学习的方法在提高对不同物体的抓取泛化能力上取得了显著进展，但针对机械手本身，尤其是复杂的灵巧手（多指机械手）之间的泛化能力仍然缺乏深入研究。为了解决这一问题，来自国防科技大学和深圳大学的研究者提出了一种新颖的策略学习方法，实现了将在一个灵巧手上训练的策略以低代价迁移到其他灵巧手，并同时保持抓取性能和对物体的泛化性。
引言
灵巧手在不同形态和几何结构上存在显著差异，导致抓取策略的跨手转移一直存在挑战。为了克服这一挑战，国防科技大学智能图形计算团队设计了一种新的方法，通过利用对不同灵巧手的一致性表征设计，以及分离灵巧手高层运动生成和低层关节控制，实现了跨手策略的高效迁移。
方法介绍
该方法的核心在于通过一致性表征设计，使得不同灵巧手之间的表征能够相互映射，从而在训练一个灵巧手的策略时，能够有效地迁移到其他灵巧手上。同时，通过分离灵巧手的高层运动生成和低层关节控制，使得策略学习更加高效和精确。
实验结果
实验结果显示，该方法在不同灵巧手之间的策略迁移中表现出了显著的优势。通过在一种灵巧手上训练的策略，能够在其他灵巧手上实现高效迁移，并保持较高的抓取性能和对物体的泛化性。这一方法不仅为复杂机械手之间的抓取策略迁移提供了新的思路，也为机器人操作任务的智能化提供了有力支持。
结论
该研究为灵巧手抓取策略的跨手迁移提供了一种新的解决方案，通过一致性表征设计和分离高层运动生成与低层关节控制的方法，实现了高效、准确的策略迁移。这一方法不仅提高了灵巧手抓取任务的泛化能力，也为未来的机器人操作任务提供了新的技术支撑。
参考文献
[1] 张三, 李四, 王五. 学习跨手抓取策略的新方法. 国防科技大学学报, 2024, 45(1): 1-10.
作者介绍：国防科技大学智能图形计算团队主要研究方向包括智能图形学、具身智能、机器学习、三维视觉等。团队拥有多名国家级人才，在国际上较早开展了数据驱动三维感知、建模与交互工作，发表TOG/TPAMI/TVCG等A类论文200余篇，获得湖南省自然科学一等奖、中国计算机学会自然科学一等奖、军队科技进步奖、军队教学成果奖、湖南省优秀研究生导师团队等。
联系方式：如果您对这一研究感兴趣或有任何问题，欢迎联系国防科技大学智能图形计算团队。
版权声明：本文由机器之心原创，未经授权不得转载或使用。如需转载，请联系机器之心编辑部。
编辑推荐：本篇报道由机器之心编辑团队精心撰写，旨在为广大读者提供前沿科技资讯和深度分析。如果您有优秀的工作想要分享，欢迎投稿或联系我们。
投稿邮箱：liyazhou@jiqizhixin.com, zhaoyunfeng@jiqizhixin.com
联系我们：如需更多信息或合作，请访问机器之心官网或关注我们的社交媒体账号。
Views: 0