>>直播和内容获取转到
点击按钮预约直播
多指灵巧手的通用抓取是机器人操作领域的核心挑战之一。尽管近年来已有方法借助强化学习（RL）成功学习闭环抓取策略，但高维、长时域探索的固有难题使得复杂的奖励设计与课程设计成为必需，这往往导致其在面对多样物体时难以得到最优解决方案。
本文提出DemoGrasp——一种简单且高效的通用灵巧抓取学习方法。该方法从抓取特定物体的单条成功演示轨迹出发，通过编辑轨迹中的机器人动作来适配新物体与新姿态：调整腕部姿态可确定抓取位置，调整手部关节角度则可确定抓取方式。
本文将这种轨迹编辑过程构建为单步马尔可夫决策过程（MDP），并在仿真环境中通过RL对适用于数百个物体的通用策略进行并行优化；所采用的奖励函数设计简洁，仅包含二元成功项与机器人-桌面碰撞惩罚项。在仿真实验中，使用Shadow手操作DexGraspNet数据集物体时，DemoGrasp的成功率达到95%，性能超越现有最优方法。该方法还展现出优异的迁移能力：仅在175个物体上完成训练，却在6个未见过的物体数据集上、针对不同灵巧手硬件构型实现了84.6%的平均成功率。
借助基于视觉的模仿学习，本文的策略成功抓取了110个未见过的真实物体，其中包括小型、薄型物体。该策略能够适配空间位置、背景与光照的变化，支持RGB与深度两种输入类型，并且可扩展至杂乱场景下的语言引导抓取任务。
论文标题：DemoGrasp: Universal Dexterous Grasping from a Single Demonstration
论文链接：https://arxiv.org/abs/2509.22149
项目主页：https://beingbeyond.github.io/DemoGrasp/
更多精彩回顾
🚀 直播精华看不够？完整版深度内容已独家上线知识星球「」！涵盖所有技术细节、QA及未公开彩蛋。深度解析！
干货满满，快来加入
