Antipodal Grasp
- 又称: antipodal point grasp
- 类别: Planning & manipulation › Manipulation
- 标签: grasping, parallel-jaw, point-clouds, manipulation, contact
一种双接触点抓取，其中连接两个接触点的直线位于每个接触点的摩擦锥之内，因此手指可以夹紧物体而不打滑。
定义
对跖抓取（antipodal grasp）在物体相对的两侧放置两个接触点，使两点之间的连线与这两点处的表面法线对齐。在严格的几何意义上，两条法线沿这条连线正好相互指向对方。有摩擦时，这个条件会放宽：只要连接两个接触点的直线位于每个接触点的摩擦锥之内，抓取就是对跖的，这意味着夹紧力可以传递，而任何一根手指都不会打滑。这正是平行夹爪所形成的抓取形态，也是这个术语在实际抓取工作中如此常见的原因。
对于平面物体，带摩擦的对跖抓取就是力封闭：只要夹紧力足够，它就能抵抗任何平面内的扰动。在 3D 中情况就不那么完整了。两个点接触无法抵抗绕它们之间连线的力矩，因此真实的对跖抓取还要依靠橡胶或软质指垫有限大小的接触面所提供的扭转摩擦。当物体被握持的位置远离其质心时，作用在物体上的重力恰好会产生这样的力矩，因此只夹住一端的长物体可能会在一个原本可靠的对跖抓取中转出去。
对跖性的检查代价很低，这使它成为抓取采样和标注中的主力工具。给定一个带有估计法线的点云，采样器可以提出一个夹爪位姿，找出每个夹爪钳口将接触到的点，并检验这些点的法线是否位于闭合方向的摩擦锥角之内。Grasp Pose Detection 和 Dex-Net 使用这类几何检查来生成或评分大量候选抓取，而学习型抓取网络也常常用以这种方式产生的标签进行训练。
为何重要
大多数已部署的机器人夹爪都是平行夹爪，而对跖检查是判断这种夹爪能否握住物体的最简单的几何检验。它把基于原始点云的抓取规划变成一个快速的采样问题，并为学习型抓取检测器提供标签。
主要应用
- 在点云上为平行夹爪进行抓取采样
- 为学习型抓取检测器生成训练标签
- 料箱拣选和仓库订单拣选
- 在运动规划之前筛选候选抓取
- 在仿真中对抓取质量进行基准测试
实际应用
一个料箱拣选工作单元使用腕部相机采集混杂零件的点云。抓取模块先估计表面法线，再采样闭合轴线与局部法线大致对齐的夹爪位姿。对每个位姿，它检查夹爪本体不与点云发生碰撞，找出位于两个钳口之间的点，如果两侧点的法线与闭合方向的夹角都在约 15 到 20 度以内，就接受这个抓取；这个裕度选得低于橡胶指垫的摩擦锥角。被接受的抓取按学习得到的评分以及钳口中心与零件估计质心的接近程度进行排序，后者可以减少绕钳口轴线的重力力矩所引起的转动。
常见误解
- 对跖意味着法线必须完全相反 — 有摩擦时，接触点之间的连线只需位于两个摩擦锥之内
- 对跖抓取在 3D 中就是力封闭 — 两个点接触无法抵抗绕钳口轴线的转动，因此还需要指垫提供的扭转摩擦
- 通过对跖检查就能保证拣取成功 — 质量分布、碰撞、法线估计噪声和物体变形仍可能导致失败
谁需要了解
- 构建取放和料箱拣选系统的工程师
- 抓取检测和学习研究人员
- 夹爪和指垫设计者
- 学习抓取力学的机器人学学生
相关技术
- 平行夹爪（Parallel-Jaw Gripper）
- Grasp Pose Detection（GPD）
- Dex-Net
- 表面法线估计（Surface Normal Estimation）
- Point Cloud Library
相关术语
相关项目
- 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