Antipodal Grasp
- 又稱: antipodal point grasp
- 類別: Planning & manipulation › Manipulation
- 標籤: grasping, parallel-jaw, point-clouds, manipulation, contact
一種雙接觸點抓取，連接兩個接觸點的直線落在每個接觸點的摩擦錐之內，因此手指可以夾緊物體而不打滑。
定義
對蹠抓取（antipodal grasp）在物體相對的兩側放置兩個接觸點，使兩點之間的連線與這兩點處的表面法線對齊。在嚴格的幾何意義上，兩條法線沿著這條連線正好互相指向對方。有摩擦時，這個條件會放寬：只要連接兩個接觸點的直線落在每個接觸點的摩擦錐之內，抓取就是對蹠的，這表示夾緊力可以傳遞，而任何一根手指都不會打滑。這正是平行夾爪所形成的抓取形態，也是這個術語在實際抓取工作中如此常見的原因。
對平面物體而言，帶摩擦的對蹠抓取就是力封閉：只要夾緊力足夠，它就能抵抗任何平面內的擾動。在 3D 中情況就沒有那麼完整。兩個點接觸無法抵抗繞著兩者連線的力矩，因此真實的對蹠抓取還要仰賴橡膠或軟質指墊有限大小的接觸面所提供的扭轉摩擦。當物體的夾持位置遠離其質心時，作用在物體上的重力恰好會產生這樣的力矩，因此只夾住一端的長形物體，可能會在原本穩固的對蹠抓取中轉脫出去。
對蹠性的檢查成本很低，因此成為抓取取樣與標註中的主力工具。給定一個帶有估計法線的點雲，取樣器可以提出一個夾爪姿態，找出每個夾爪鉗口會接觸到的點，並檢驗這些點的法線是否落在閉合方向的摩擦錐角之內。Grasp Pose Detection 與 Dex-Net 使用這類幾何檢查來產生或評分大量候選抓取，而學習式抓取網路也經常以這種方式產生的標籤來訓練。
為何重要
大多數已部署的機器人夾爪都是平行夾爪，而對蹠檢查是判斷這類夾爪能否夾住物體最簡單的幾何檢驗。它把以原始點雲進行的抓取規劃轉變為快速的取樣問題，並為學習式抓取偵測器提供標籤。
主要應用
- 在點雲上為平行夾爪進行抓取取樣
- 為學習式抓取偵測器產生訓練標籤
- 料箱揀取與倉儲訂單揀貨
- 在運動規劃之前篩選候選抓取
- 在模擬中對抓取品質進行基準測試
實際應用
一個料箱揀取工作站使用腕部相機擷取混雜零件的點雲。抓取模組先估計表面法線，再取樣閉合軸線與局部法線大致對齊的夾爪姿態。對每個姿態，它檢查夾爪本體不會與點雲碰撞，找出位於兩個鉗口之間的點，若兩側點的法線與閉合方向的夾角都在約 15 到 20 度以內，就接受這個抓取；這個裕度刻意選得比橡膠指墊的摩擦錐角小。被接受的抓取依學習得到的分數，以及鉗口中心與零件估計質心的接近程度來排序，後者可以減少繞鉗口軸線的重力力矩所造成的轉動。
常見誤解
- 對蹠表示法線必須完全相反 — 有摩擦時，接觸點之間的連線只需落在兩個摩擦錐之內
- 對蹠抓取在 3D 中就是力封閉 — 兩個點接觸無法抵抗繞鉗口軸線的轉動，因此還需要指墊提供的扭轉摩擦
- 通過對蹠檢查就保證能成功揀取 — 質量分布、碰撞、法線估計雜訊與物體變形仍可能造成失敗
誰需要了解
- 建置取放與料箱揀取系統的工程師
- 抓取偵測與學習研究人員
- 夾爪與指墊設計者
- 研讀抓取力學的機器人學學生
相關技術
- 平行夾爪（Parallel-Jaw Gripper）
- Grasp Pose Detection（GPD）
- Dex-Net
- 表面法線估計（Surface Normal Estimation）
- Point Cloud Library
相關術語
相關專案
- LeRobot: HuggingFace ML library for real-world robotics in PyTorch
- Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
- NVIDIA Isaac GR00T: NVIDIA open foundation model for humanoid robot reasoning and skills
- OpenVLA: 7B-parameter Vision-Language-Action model for robotic manipulation
- Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design
- OpenArm: 7DOF humanoid arm for physical AI research in contact-rich environments