EquiDexFlow：接觸基礎SE(3)-等變靈巧抓取生成流
EquiDexFlow是一種SE(3)-等變流匹配模型，能夠從物體點雲聯合預測腕部姿態、關節角度、指尖接觸點、表面法線和接觸力。該模型通過構造將接觸點投影到物體表面並將力約束到庫侖摩擦錐內，無需損失懲罰即可保證放置和摩擦合規。實驗表明，在200次旋轉測試中腕部殘差低於0.04°，關節偏差為零，且在所有消融變體中實現了零摩擦違規和最佳綜合分數。在物理機器人上，重定向後的抓取成功完成了所有六個測試物體的開環抓取保持任務。
靈巧抓取是機器人領域的一項核心挑戰，傳統方法通常將接觸力驗證作為後處理步驟，導致運動學可行的姿態仍可能違反物理穩定條件。EquiDexFlow通過端到端聯合預測腕部姿態、關節角度、指尖接觸點、表面法線及接觸力，從根本上解決了這一問題。該論文於2026年6月10日提交至arXiv，由Clinton Enwerem等人撰寫，共22頁，包含11張圖和11張表格。
該模型採用SE(3)-等變流匹配架構，能夠從物體點雲直接生成完整抓取參數。通過構造方式將接觸點投影至物體表面，並將接觸力嚴格約束在庫侖摩擦錐內，確保了放置精度和摩擦合規無需額外損失項。理論證明和實驗驗證均表明模型具有端到端SE(3)等變性：在200次隨機旋轉測試中，腕部殘差低於0.04°，關節偏差精確為零。研究團隊在81個物體上收集了8100個力閉合抓取樣本，用於訓練16自由度Allegro Hand的抓取生成。
與多種消融變體相比，EquiDexFlow實現了零摩擦違規、最佳綜合分數和最低的力旋量殘差。為驗證硬件可行性，團隊將解碼後的指尖接觸點通過逐指逆運動學重定向至16自由度LEAP Hand，並進行關節限位優化，使每個關節至少位於執行器包絡內5%且保持力旋量平衡。這一優化確保了抓取在真實機器人上的可執行性。
物理機器人實驗中，重定向後的EquiDexFlow抓取在開環模式下對所有六個測試物體均成功完成抓取保持任務，其中每個非對稱物體在標準姿態和120°共同旋轉姿態下均成功。項目網站（equidexflow.github.io）提供了視頻、代碼和檢查點，可供研究者進一步參考。該工作為靈巧抓取生成提供了新範式，有望推動機器人操作任務的進步。