EquiDexFlow 是克林顿·恩韦雷姆（Clinton Enwerem）等三位作者于 2026 年 6 月 10 日提交至 arXiv 的一篇机器人学论文（编号 arXiv:2606.12728v1，属 cs.RO 分类，同时交叉计算机视觉与机器学习）。该研究针对灵巧抓取生成中的一个核心问题：多数基于学习的抓取生成器只关心运动学上合理的姿态，而把接触力留到下游验证环节，结果是一个看起来合理的抓取姿态，实际上可能无法形成稳定物理抓取。
论文提出的 EquiDexFlow 是一个具备 SE(3) 等变性的流匹配（flow-matching）模型。它以物体点云为输入，同时预测腕部位姿、关节角度、指尖接触点、表面法线以及接触力。关键在于，该架构在结构上就把接触点投影到物体表面、把力投影进库仑摩擦锥内，因此接触位置的合理性与摩擦约束的满足不依赖额外的损失惩罚项，而是由模型构造本身保证。
作者从理论上证明了端到端的 SE(3) 等变性，并在 200 次旋转变换上进行了实测验证，腕部残差低于 0.04 度，关节偏差则恰好为零。在训练方面，模型使用 81 个物体上的 8,100 个力闭合（force-closure）抓取样本，针对 16 自由度的 Allegro 手进行训练。结果显示，在所有消融变体中，该模型实现零摩擦违规、取得最佳综合评分，并拥有最低的力螺旋（wrench）残差。
研究还展示了跨手部平台的迁移能力：解码得到的指尖接触点通过逐指逆运动学重定向到 16 自由度的 LEAP 手，再经过面向硬件可行性的细化处理，使每个关节都至少位于其执行器包络范围以内 5% 的余量处，同时保持力螺旋平衡。在真实机器人上，重定向后的 EquiDexFlow 解码抓取在全部六个测试物体上完成了开环抓取并保持的试验；其中每一个非对称物体在标准位姿和共同旋转 120 度两种条件下都取得了成功。
论文共 22 页，含 11 幅图和 11 张表。作者公开了项目主页，提供视频、代码和模型检查点（https://equidexflow.github.io）。提交时间为 2026 年 6 月 10 日 22:27:03 UTC，全文约 11,410 KB。该工作将接触力约束前移到生成阶段，为稳定性与泛化性兼顾的灵巧抓取提供了一条新思路。