DexGrasp-Diffusion: Diffusion-based Unified Functional Grasp Synthesis Pipeline for Multi-Dexterous Robotic Hands

人类抓握的多功能性和适应性促进了灵巧机器人操作的进步。虽然在灵巧抓握生成方面已经取得了显著进展，但当前的研究努力集中于优化物体操作，同时确保功能完整性，强调根据所需的可操作性指令合成功能抓握。本文提出了DexGrasp-Diffusion，一种端到端模块化扩散管道，旨在为不同灵巧机器人手定制功能抓握。DexGrasp-Diffusion集成了MultiHandDiffuser，一种新型的统一数据驱动扩散模型，用于多灵巧手抓握估计，以及DexDiscriminator，它采用物理鉴别器和功能鉴别器与开放词汇设置，基于物体可操作性过滤出物理上可行的功能抓握。在MultiDex数据集上进行的实验评估提供了支持MultiHandDiffuser在成功率、抓握多样性和碰撞深度方面优于基线模型的实证证据。此外，我们展示了DexGrasp-Diffusion可靠地生成与特定可操作性指令对齐的家庭物品的功能抓握的能力。

该论文旨在解决如何在多种灵巧机器人手上生成功能性抓取的问题，并确保物体的功能完整性。

该论文提出了一种名为DexGrasp-Diffusion的端到端模块化扩散管道，将MultiHandDiffuser与DexDiscriminator相结合，以根据物体可供性过滤物理上可行的功能性抓取。

论文中提出的MultiHandDiffuser模型在成功率、抓取多样性和碰撞深度方面优于基线模型。DexGrasp-Diffusion能够可靠地生成符合特定可供性指令的家庭物品的功能性抓取。

最近的相关研究包括：1. Dex-Net 4.0: Learning to Plan Robust Grasps with Sensorimotor Contact Models；2. Learning Synergies between Pushing and Grasping with Self-supervised Deep Reinforcement Learning；3. Learning Dexterous Manipulation for a Soft Robotic Hand from Human Grasp Demonstrations。