Grasp Quality Metric

• 又称: grasp quality measure, grasp score
• 类别: Planning & manipulation › Manipulation
• 标签: grasping, grasp-analysis, wrench-space, manipulation, datasets

衡量一个抓取好坏的分数，例如它的接触能抵抗多大的扰动力旋量；用于对候选抓取排序、引导抓取优化以及标注抓取数据集。

定义

抓取质量度量（grasp quality metric）为一个抓取赋予一个标量分数，以便比较各候选抓取并选出最好的一个。解析度量基于手与物体之间接触的模型：接触的位置、表面法向和摩擦系数。使用最广泛的是 Ferrari 和 Canny（1992）提出的 epsilon 度量。每个接触的摩擦锥用一组边缘力来近似，每个力被转换成关于某个参考点（通常是物体的质心）的力旋量，这些基本力旋量的凸包构成抓取力旋量空间。epsilon 质量就是能放进这个凸包、以原点为中心的最大球的半径：在接触法向力之和被限制为一的条件下，该抓取在每个方向上都能抵抗的最大扰动力旋量的大小。另一种变体分别限制每个接触的力，用各接触力旋量集合的闵可夫斯基和来构造凸包；一种相关的体积度量则用凸包的体积代替球。

epsilon 度量恰好在原点严格位于抓取力旋量空间内部时为正，而这正是力封闭的条件，因此它把非此即彼的力封闭检验扩展为一个分级的分数。它有一些众所周知的敏感性：力和力矩的单位不同，所以它的值取决于力矩如何缩放（通常用一个物体特征半径），也取决于所选的参考点；此外它假定接触是精确的刚性接触，摩擦系数已知。其他解析度量衡量的是抓取矩阵的性质，例如其最小奇异值，或者手部构型的性质，例如与关节极限或奇异位形的距离。

由于解析分数并不总能预测真实结果，许多系统使用经验度量或学习得到的度量。一个抓取可以用它在物体位姿、摩擦和形状受到扰动时在仿真中的成功率来打分，或者用它对这类不确定性的鲁棒性来打分，如 Dex-Net 系列工作；还可以训练神经网络，直接从图像或点云预测这样的分数。大型抓取数据集用其中某种度量来筛选或标注候选抓取，因此度量的选择会影响学习得到的抓取规划器日后把什么视为好的抓取。

为何重要

抓取规划是一种搜索，而搜索需要一个目标。质量度量就是这个目标：它决定规划器执行哪些抓取，以及数据集把哪些抓取算作正样本。了解一个度量衡量了什么、忽略了什么，有助于解释为什么一个在分析中得分很高的抓取，在真实的手上仍然可能打滑。

主要应用

• 在 GraspIt! 等解析抓取规划器中对候选抓取排序
• 标注大型合成抓取数据集
• 抓取优化中的目标函数或损失项
• 作为学习型抓取质量网络的训练目标
• 按可实现的抓取来比较机器人手的设计
• 在手内操作过程中选择重新抓取

实际应用

一个生成灵巧抓取数据集的团队，在数千个物体网格周围采样手部位姿，并为每个候选抓取找出手指与表面之间的接触点。他们在假定的摩擦系数下，用八棱锥来近似每个接触的摩擦锥，将力矩除以物体的包围半径，计算关于物体质心的 epsilon 度量，并舍弃分数接近零的抓取。由于解析分数假定接触是完美的，他们随后在物理仿真器中测试剩下的抓取，依次沿几个方向施加重力，只保留在每次测试中都能握住物体的抓取。数据集同时记录解析分数和仿真结果，让使用者能看到两者在哪些地方不一致。

常见误解

• epsilon 分数高就保证抓取成功 — 它假定接触位置精确、物体为刚体、摩擦已知，并且不考虑手是否真能施加所需的力
• 分数为零意味着物体会掉落 — 零表示不满足力封闭，但抓取仍可能抵抗重力等已知载荷而握住物体
• epsilon 值是抓取的一种物理属性 — 它取决于力矩缩放、参考点和摩擦锥的近似方式，因此只有在相同约定下得到的值才可以比较
• 抓取质量度量与力封闭是一回事 — 力封闭是一个二值条件；质量度量对抓取分级，而 epsilon 度量恰好对力封闭抓取为正

谁需要了解

• 抓取规划研究人员
• 灵巧操作工程师
• 构建合成抓取数据集的团队
• 机器人手设计人员

相关技术

• GraspIt!
• Dex-Net
• 抓取力旋量空间（Grasp Wrench Space）
• Qhull
• 抓取矩阵（Grasp Matrix）
• 物理仿真器（Physics Simulators）

相关术语

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

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