GOAG：面向灵巧操作的生成式、物体无关抓取规划器

多指抓取是机器人领域的一项关键技能，但现有的深度学习抓取规划器往往难以泛化到新物体，因为它们通常只在有限且物体相关的数据集上训练。

研究者提出了一种根本不同的思路：基于「夹爪与物体在相互接触点处共享相同表面几何」这一观察，他们设计了 GOAG（Generative and Object-Agnostic Grasp Planner）。这是一种新颖的深度生成模型，学习特定夹爪接触面分布的紧凑隐变量表示，从而无需依赖物体专属训练数据即可高效采样有效抓取配置。

GOAG 的关键在于仅在推理阶段引入物体特征。这样，模型可以检索与夹爪能力兼容的可行接触区域，而训练阶段只需要夹爪自身的几何信息。

研究者在已建立的仿真与真机抓取协议上进行了大量实验，使用文献中多种不同夹爪验证了方法的有效性。在 MultiDex 数据集上，GOAG 达到了 86.93% 的平均成功率，与专门在该数据集上训练的最先进方法性能相当。在需要生成大量抓取时，GOAG 的处理速度明显更快。

与传统数据驱动抓取规划器不同，GOAG 不依赖物体专属训练数据，突出了物体无关学习的优势，有效缓解了传统方法在新物体泛化上的挑战。代码与视频已发布在项目主页 https://cea-list.github.io/goagweb/ 。