Grasp Quality Metric

• 又稱: grasp quality measure, grasp score
• 類別: Planning & manipulation › Manipulation
• 標籤: grasping, grasp-analysis, wrench-space, manipulation, datasets

衡量一個抓取好壞的分數，例如它的接觸能抵抗多大的干擾力旋量；用於為候選抓取排序、引導抓取最佳化，以及標註抓取資料集。

定義

抓取品質指標（grasp quality metric）為一個抓取指定一個純量分數，以便比較各個候選抓取並選出最好的一個。解析指標以手與物體之間接觸的模型為基礎：接觸的位置、表面法向量與摩擦係數。使用最廣的是 Ferrari 與 Canny（1992）提出的 epsilon 指標。每個接觸的摩擦錐以一組邊緣力來近似，每個力轉換成相對於某個參考點（通常是物體的質心）的力旋量，而這些基本力旋量的凸包構成抓取力旋量空間。epsilon 品質就是能放進這個凸包、以原點為中心的最大球的半徑：在接觸法向力總和限制為一的條件下，這個抓取在每個方向都能抵抗的最大干擾力旋量大小。另一種變體分別限制每個接觸的力，以各接觸力旋量集合的閔可夫斯基和來建構凸包；相關的體積指標則以凸包的體積取代球。

epsilon 指標恰好在原點嚴格位於抓取力旋量空間內部時為正，而這正是力封閉的條件，因此它把非此即彼的力封閉檢驗延伸成分級的分數。它有一些眾所皆知的敏感之處：力與力矩的單位不同，所以它的值取決於力矩如何縮放（常用一個物體特徵半徑），也取決於所選的參考點；此外它假設接觸是精確的剛性接觸，且摩擦係數已知。其他解析指標量測的是抓取矩陣的性質，例如它的最小奇異值，或是手部組態的性質，例如與關節極限或奇異點的距離。

由於解析分數並不一定能預測真實結果，許多系統改用經驗指標或學習而得的指標。一個抓取可以用它在物體姿態、摩擦與形狀受到擾動時於模擬中的成功率來評分，或用它對這類不確定性的穩健性來評分，如 Dex-Net 系列研究；也可以訓練神經網路，直接從影像或點雲預測這樣的分數。大型抓取資料集會用其中一種指標篩選或標註候選抓取，因此指標的選擇會左右學習而得的抓取規劃器日後把什麼當作好的抓取。

為何重要

抓取規劃是一種搜尋，而搜尋需要一個目標。品質指標就是這個目標：它決定規劃器要執行哪些抓取，以及資料集把哪些抓取算作正樣本。了解一個指標量測了什麼、忽略了什麼，有助於解釋為什麼一個在分析中得分很高的抓取，在真實的手上仍可能滑脫。

主要應用

• 在 GraspIt! 等解析式抓取規劃器中為候選抓取排序
• 標註大型合成抓取資料集
• 抓取最佳化中的目標函數或損失項
• 作為學習式抓取品質網路的訓練目標
• 依可達成的抓取比較機器人手的設計
• 在手內操作過程中選擇重新抓取

實際應用

一個產生靈巧抓取資料集的團隊，在數千個物體網格周圍取樣手部姿態，並為每個候選抓取找出手指與表面之間的接觸點。他們在假設的摩擦係數下，以八角錐近似每個接觸的摩擦錐，將力矩除以物體的包圍半徑，計算相對於物體質心的 epsilon 指標，並捨棄分數接近零的抓取。由於解析分數假設接觸是完美的，他們接著在物理模擬器中測試其餘的抓取，依序沿幾個方向施加重力，只保留在每次測試中都能握住物體的抓取。資料集同時記錄解析分數與模擬結果，讓使用者看得出兩者在哪些地方不一致。

常見誤解

• epsilon 分數高就保證抓取成功 — 它假設接觸位置精確、物體為剛體且摩擦已知，也不考慮手是否真的能施加所需的力
• 分數為零代表物體會掉落 — 零表示沒有力封閉，但抓取仍可能抵抗重力等已知負載而握住物體
• epsilon 值是抓取的物理性質 — 它取決於力矩的縮放、參考點與摩擦錐的近似方式，因此只有在相同慣例下的值才能互相比較
• 抓取品質指標與力封閉是同一回事 — 力封閉是二元條件；品質指標為抓取分級，而 epsilon 指標恰好對力封閉抓取為正

誰需要了解

• 抓取規劃研究人員
• 靈巧操作工程師
• 建立合成抓取資料集的團隊
• 機器人手設計人員

相關技術

• GraspIt!
• Dex-Net
• 抓取力旋量空間（Grasp Wrench Space）
• Qhull
• 抓取矩陣（Grasp Matrix）
• 物理模擬器（Physics Simulators）

相關術語

• Force Closure
• Grasp Planning
• Friction Cone
• Wrench
• Antipodal Grasp
• Eigengrasp

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