EquiDexFlow：接触基础SE(3)-等变灵巧抓取生成流
EquiDexFlow是一种SE(3)-等变流匹配模型，能够从物体点云联合预测腕部姿态、关节角度、指尖接触点、表面法线和接触力。该模型通过构造将接触点投影到物体表面并将力约束到库仑摩擦锥内，无需损失惩罚即可保证放置和摩擦合规。实验表明，在200次旋转测试中腕部残差低于0.04°，关节偏差为零，且在所有消融变体中实现了零摩擦违规和最佳综合分数。在物理机器人上，重定向后的抓取成功完成了所有六个测试物体的开环抓取保持任务。
灵巧抓取是机器人领域的一项核心挑战，传统方法通常将接触力验证作为后处理步骤，导致运动学可行的姿态仍可能违反物理稳定条件。EquiDexFlow通过端到端联合预测腕部姿态、关节角度、指尖接触点、表面法线及接触力，从根本上解决了这一问题。该论文于2026年6月10日提交至arXiv，由Clinton Enwerem等人撰写，共22页，包含11张图和11张表格。
该模型采用SE(3)-等变流匹配架构，能够从物体点云直接生成完整抓取参数。通过构造方式将接触点投影至物体表面，并将接触力严格约束在库仑摩擦锥内，确保了放置精度和摩擦合规无需额外损失项。理论证明和实验验证均表明模型具有端到端SE(3)等变性：在200次随机旋转测试中，腕部残差低于0.04°，关节偏差精确为零。研究团队在81个物体上收集了8100个力闭合抓取样本，用于训练16自由度Allegro Hand的抓取生成。
与多种消融变体相比，EquiDexFlow实现了零摩擦违规、最佳综合分数和最低的力旋量残差。为验证硬件可行性，团队将解码后的指尖接触点通过逐指逆运动学重定向至16自由度LEAP Hand，并进行关节限位优化，使每个关节至少位于执行器包络内5%且保持力旋量平衡。这一优化确保了抓取在真实机器人上的可执行性。
物理机器人实验中，重定向后的EquiDexFlow抓取在开环模式下对所有六个测试物体均成功完成抓取保持任务，其中每个非对称物体在标准姿态和120°共同旋转姿态下均成功。项目网站（equidexflow.github.io）提供了视频、代码和检查点，可供研究者进一步参考。该工作为灵巧抓取生成提供了新范式，有望推动机器人操作任务的进步。