本文的共同作家为新加坡国立大学博士生费昕，新加坡国立大学博士生徐志轩。作家为浙江大学实习生怀聪、新加坡国立大学博士生张添睿。通信作家为新加坡国立大学计较机学院助理讲明、RoboScience 科学邵林，沟通向为机器东谈主学习与灵敏操作。

T (R,O) Grasp 是种基于物体 — 机器手空间相关建模的图扩散架构，具备跨智能体的统表征技艺。在 NVIDIA 40GB A100 GPU 上，该法可达成 5 FPS 的理速率和 50 grasp/s 的混沌量，并在多种智能体上获得 94.83 的平均执取收服从，刷新了跨智能体灵敏执取的 SOTA，具备与动态场景及时交互的技艺。

现在，该论文已被机器东谈主域顶会议 IEEE International Conference on Robotics & Automation（ICRA 2026）接纳。

论文标题：T (R,O) Grasp: Efficient Graph Diffusion of Robot-Object Spatial Transformation for Cross-Embodiment Dexterous Grasping

状貌主页：https://nus-lins-lab.github.io/trograspweb/

、序论

灵敏手执取是机器东谈主完成复杂操作的基础。现在基于度学习的法主要不错分为机器东谈主中心 (robot centric)、物体中心 (object-centric) 和交互中心 (interaction-centric) 三种。

机器东谈主中心的模子径直学习不雅测（如点云、图像）到动作提醒的映射，理速率快，但样本学习率低，难以达成跨智能体的泛化。

物体中心的法展望物体上的斗殴信息（如斗殴点或斗殴热力争），泛化强，但把柄斗殴信息化执取的动作提醒复杂耗时，且法适用于不雅测信息不全的诈骗场景。

此前，D (R,O) Grasp 建议了交互中心的灵敏手执取表征，通过机器手与物体点云间的距离矩阵默示交互相关，弥补了机器东谈主中心法的泛化不及，普及了物体中心法的理率。

权衡词，D (R,O) 距离矩阵的展望需要雄壮的计较支拨，且该法依赖于机器手启动姿态的理，因此难以基于 D (R,O) 表征搭建大范围灵敏手执取模子。

为克服以上局限，咱们建议 T (R,O) 图结构看成灵敏手执取的统表征（如图 1 所示）胡杨河塑料挤出设备厂家，将物体与机器手重要的几何、拓扑信息编码为节点，将其相对的位置相关默示为边。相较于 D (R,O) 距离矩阵，T (R,O) 图结构在保持抒发技艺的同期，提供了、轻量的建模案。

图 1. T (R,O) 图结构与扩散经由

二、法

图 2. T (R,O) Grasp 合座框架

给定物体点云和不同机器手的 URDF 成就文献，模子的标的是输出各种的执取姿态，并具备跨智能体的泛化技艺。T (R,O) Grasp 的合座框架如图 2 所示，主要分为以下三部分：

1. T (R,O) 图结构的构建

2. 图扩散收罗的素质与重要位姿矩阵的展望

3. 基于重要位姿矩阵的逆绽开学求解

2.1 T (R,O) 图结构的构建

图 3. T (R,O) 图结构的构建

如图 3 所示，T (R,O) 图结构基于物体 — 机器手的相对位姿建模其交互相关。先胡杨河塑料挤出设备厂家，塑料挤出机设备物体点云通过预素质的 VQ-VAE 编码为图中的物体节点；其次，结机器手重要的几何 BPS 特征与重要位姿信息，构建图中的重要节点；后，在物体 — 重要和重要 — 重要之间，以相对位姿相关界说图中的边。

2.2 图扩散收罗的素质与重要位姿矩阵的展望

基于 T (R,O) 图结构，模子可对重要位姿进行设施 DDIM 范式下的加噪 — 去噪素质，进而完成重要位姿矩阵的展望。其中，Denoiser 由多层 Transformer 构成，其收罗结构如图 4 所示。

图 4. T (R,O) Denoiser 收罗架构

此外，收成于 DDIM 在理阶段对多种 guidance 的精致撑持，T (R,O) Grasp 在素质完成后未必在多种条款拘谨下生成执取姿态，举例指定执取向、松手物体上的执取区域等。

2.3 基于重要位姿矩阵的逆绽开学求解

模子展望得到机器手在执取时各重要的位姿矩阵，即可通过 Pyroki toolkit 即时求解如下逆绽开常识题，得到执取姿态的动作提醒。

三、现实服从

在现实中，咱们系统评估了 T (R,O) Grasp 在条款生成以及条款拘谨生成（执取向与执取区域）两种建立下的灵敏手执取能。现实罗致执取收服从、各种和理速率三个决策对模子进行评价。

图 5. T (R,O) Grasp 与 baseline 能对比

图 6. T (R,O) Grasp 在条款建立下的灵敏执取

图 7. T (R,O) Grasp 在给定执取向下的灵敏执取

图 8. T (R,O) Grasp 在给定执取区域下的灵敏执取

图 5-8 清晰，T (R,O) Grasp 在两种建立下的能均越现存法，具备在多种拘谨下跨智能体生成准确、各种灵敏手执取的技艺。此外，T (R,O) Grasp 在现实硬件平台 NVIDIA 40GB A100 上平均可达到 5 FPS 的理速率，为动态场景下达成闭环执取提供了基础。

在真确机器东谈主现实中，咱们将算法部署于 xArm 机械臂平台，并在 XHand 和 LEAP Hand 两种灵敏手上进行了测试。现实服从标明，T (R,O) Grasp 在 XHand 和 LEAP Hand 上阔别达到了 91.0 和 90.0 的执取收服从。此外，在动态传送带环境中，T (R,O) Grasp 一样未必完成稳拘束取，考据了其在动态场景下的闭环执取技艺。

图 9. T (R,O) Grasp 在 XHand 与 LEAP Hand 上的真确机器东谈主执取

图 10. T (R,O) Grasp 在传送带动态环境的真确机器东谈主执取

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定胡杨河塑料挤出设备厂家，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。