{
  "paper_id": "ca9ddae5ace86a89236edcbbb9065d89",
  "paper_title": "DexGraspNet: A Large-Scale Robotic Dexterous Grasp Dataset for General Objects Based on Simulation",
  "paper_authors": [
    "Ruicheng Wang",
    "Jialiang Zhang",
    "Jiayi Chen",
    "Yinzhen Xu",
    "Puhao Li",
    "Tengyu Liu",
    "He Wang"
  ],
  "publication_date": "",
  "publication_venue": "2023 IEEE International Conference on Robotics and Automation (ICRA)",
  "abstract": "机器人灵巧抓取是实现类人灵巧物体操作的第一步，也是一项关键机器人技术。然而，相比平行夹爪抓取，灵巧抓取的研究仍明显不足，部分原因在于缺乏大规模数据集。本文提出大规模机器人灵巧抓取数据集 DexGraspNet，该数据集由一种高效合成方法生成，并且可普遍应用于任意灵巧手。该方法利用深度加速的可微力闭合估计器，能够大规模、高效且稳健地合成稳定且多样的抓取。作者选择 ShadowHand，为 5355 个物体生成 132 万个抓取，覆盖超过 133 个物体类别，每个物体实例包含 200 多种不同抓取，并且所有抓取均通过 Isaac Gym 仿真器验证。与 Liu 等人使用 GraspIt! 生成的先前数据集相比，DexGraspNet 不仅拥有更多物体和抓取，还具有更高的多样性和质量。跨数据集实验表明，在 DexGraspNet 上训练多种灵巧抓取合成算法，显著优于在先前数据集上训练。数据和代码（包括人手与 Allegro 抓取合成代码）可通过项目页面获取：<https://pku-epic.github.io/DexGraspNet/。>\n",
  "keywords": [
    "机器人灵巧抓取",
    "大规模抓取数据集",
    "可微力闭合",
    "ShadowHand",
    "抓取合成",
    "Isaac Gym",
    "仿真数据"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "doubao-seed-2.1-pro",
  "prompt_template": "simple",
  "extracted_at": "2026-10-20T04:36:25.111168Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n本文针对多手指灵巧手抓取研究因缺乏大规模、高多样性、物理稳定数据集而落后于平行夹爪抓取的问题，在已有可微力闭合抓取合成方法成功率低、收敛慢且对薄网格约束严格的背景下，提出 DexGraspNet 及其深度加速优化生成流程。作者选用具有 22 个活动关节的 ShadowHand 作为主要灵巧手，并从 ShapeNet-Core、ShapeNetSem 选择 3980 个带类别标注的物体，又从 YCB、BigBIRD、KIT、Google Scanned Objects 等扫描模型库选择 1375 个物体，共覆盖 5355 个物体、超过 133 个手部尺度类别；这些模型先归一化到单位球并按 5 种固定尺寸缩放，再重网格化并通过 CoACD 生成碰撞网格，以兼顾类别泛化、几何真实性和物理仿真需求。方法将抓取表示为 $g=(T,R,\\theta)$，并在优化中加入 4 个从手部 140 个候选点中采样的接触点；核心机制是可微力闭合能量 $E_{\\mathrm{fc}}=\\|Gc\\|_2$，其中 G 由单位矩阵和接触点反对称矩阵构成，用于把接触法线组织成扳手空间，同时联合优化接触距离、穿透、自穿透、越限关节角和自然姿态能量。为提高产量，作者在物体膨胀凸包上均匀采样初始位姿，要求五指张开且掌心朝向物体，并用反向穿透能量从物体点云计算到手掌网格的距离，使无厚度低质量网格也可处理；优化由原 MALA 简化为梯度下降，通常少于 6000 次迭代，并使用 Kaolin 计算符号距离以降低内存和免训练 DeepSDF。最终数据集包含 132 万个抓取，每个物体超过 200 种，并在 Isaac Gym/PhysX 中通过 6 个重力方向各 100 步、最大穿透不超过 0.1 厘米的严格验证。生成 1 万个有效抓取约需 7 GPU 小时，而原方法约需 400 GPU 小时；生成全部 132 万有效抓取使用 950 个 A100 GPU 小时，据估计原方法需要约 50000 GPU 小时。数据集本身在力闭合稳定性指标 $Q_1$ 上以 0.1145 优于 DDGdata 的 0.0712，在关节角平均熵上以 5.962 优于 4.246，支持其在稳定性和多样性上的改进；跨数据集训练 DDG 与 GraspTTA 也表明，使用 DexGraspNet 训练的模型在仿真成功率、$Q_1$、穿透深度和关节熵上普遍更优。该数据可服务于仿真中的灵巧操作学习、真实机器人抓取模型预训练以及服务机器人等场景，但主要约束是数据来自仿真、优化结果偏向接触丰富的力量抓取，难以覆盖精确抓取和按把手抓取杯子等功能性抓取，后续可结合语义引导、抓取分类法和仿真到真实迁移进一步探索。\n\n### 关键要点\n\n- DexGraspNet 为 ShadowHand 提供 132 个仿真抓取，涉及 5355 个物体和超过 133 个类别，单个物体平均超过 200 种抓取。\n- 物体来源同时包括 ShapeNet 的 CAD 模型和 YCB、BigBIRD、KIT、Google Scanned Objects 等扫描模型，用于平衡类别覆盖与真实物体几何。\n- 所有物体经过单位球归一化、5 种尺寸缩放、流形重网格化以及 CoACD 凸分解碰撞网格生成，以支持稳定物理仿真。\n- 抓取由全局平移、旋转和 ShadowHand 的 22 个关节角参数化，优化时额外使用从手部 140 个接触候选点中采样的 4 个接触点。\n- 核心可微力闭合项为 $E_{\\mathrm{fc}}=\\|Gc\\|_2$，通过扳手矩阵鼓励接触点形成可抵抗外力和外力矩的抓取。\n- 新初始化策略在物体膨胀凸包上采样位姿，并要求五指张开、掌心朝向物体，从而提高成功率、收敛速度和抓取自然度。\n- 反向穿透能量从物体点云到手掌网格计算距离，使算法能够处理没有厚度的低质量 CAD 网格。\n- 最终能量额外惩罚手部自穿透和关节角越界，优化算法简化为梯度下降，通常在 6000 次迭代内收敛。\n- 每个保留抓取必须在 Isaac Gym 的 6 个轴对齐重力方向下保持接触 100 步，且最大穿透深度不得超过 0.1 厘米。\n- 与 DDGdata 相比，DexGraspNet 的平均 $Q_1$ 从 0.0712 提升到 0.1145，平均关节角熵从 4.246 提升到 5.962。\n- DDG 和 GraspTTA 的跨数据集训练显示，使用 DexGraspNet 训练在成功率、$Q_1$、穿透和多样性指标上整体优于使用 DDGdata 训练。\n- 数据集目前偏向接触丰富的力量抓取，缺少精确抓取和语义指导的功能性抓取，这是论文明确指出的局限和未来方向。"
}