高速抓取不只是“抓得准”还要在移动底盘、机械臂和灵巧手高速协同时处理冲击、滑移和物体反弹。FastGrasp 提出一个学习式全身控制框架把抓取候选生成、移动操作控制和触觉反馈放到同一个高速抓取流程里。实验中FastGrasp 在仿真未见物体完整点云条件下平均成功率达到50.09%在部分点云条件下达到38.51%。真实机器人低速设置下平均成功率达到34.62%。核心逻辑物体点云输入 ➔ CVAE 生成多样化抓取候选 ➔ GWC/GDC 选择高质量抓取引导 ➔ 强化学习全身控制底盘、机械臂和灵巧手 ➔ 二值触觉反馈修正接触状态 ➔ 实现移动高速灵巧抓取具体的实验流程与核心架构解析1. 移动灵巧手高速抓取系统FastGrasp 的真实平台由 Agilex Bunker Mini 移动底盘、Dobot CR5 机械臂、16 自由度 LeapHand、RealSense D435i 相机和触觉传感器组成。策略在真实部署中以15Hz推理尽量保持和仿真训练一致。图 1FastGrasp 在仿真和真实场景中的演示。该图展示了 FastGrasp 在 Isaac Sim 仿真和真实机器人上的高速抓取场景突出移动底盘、机械臂和灵巧手的协同执行。2. 系统设置FastGrasp 不采用固定底座灵巧手而是让移动底盘参与全身控制从而扩大可操作范围。物体被放置在机器人前方至少2.0m处方便底盘加速并形成高速接近过程。图 2系统设置。该图展示了真实机器人系统和仿真环境设置包括移动底盘、机械臂、灵巧手、腕部 RGB-D 相机和触觉输入。3. 两阶段策略框架第一阶段用 CVAE 根据物体点云生成多样化抓取候选第二阶段让强化学习策略根据最优抓取引导控制底盘速度、机械臂关节和灵巧手关节。图 3FastGrasp 框架总览。该图展示了从点云感知、抓取候选生成、抓取质量筛选到全身控制策略执行的完整流程。实验表现表 1仿真未见物体的成功率和手-物距离。FastGrasp 在完整点云条件下平均成功率达到50.09%高于两阶段力方向选择方法的41.99%。在部分点云条件下FastGrasp 仍达到38.51%而多个基线方法退化到0%。表 2奖励、触觉和抓取引导消融实验。消融结果显示去掉触觉观测会让平均成功率下降15.65 个百分点去掉触觉奖励会下降11.56 个百分点。这说明触觉不是装饰而是在高速接触中稳定抓取的关键反馈。表 3真实机器人成功率。真实实验中FastGrasp 在高速设置下平均成功率为32.00%在较低速度设置下平均成功率为34.62%。没有域随机化、低通滤波或触觉适配时真实成功率会明显下降甚至归零。结论FastGrasp 的价值在于它把移动操作、灵巧抓取和触觉反馈放到高速场景里一起考虑而不是只做静态抓取或简单移动夹取。在仿真未见物体上FastGrasp 完整点云成功率达到50.09%部分点云成功率达到38.51%真实机器人低速设置下达到34.62%。不过真实成功率仍不算高说明高速灵巧抓取的 sim-to-real gap、触觉建模和接触稳定性仍是后续关键难点。