标准回答
一、典型抓取流水线
经典做法分阶段：用 RGBD/点云做物体位姿估计 → 抓取位姿检测（如 GraspNet 在点云上预测可行抓取位姿和质量分）→ 运动规划求无碰撞轨迹 → 执行时用力控/触觉反馈稳定抓取。
二、关键难点
- 泛化：要在未见物体、杂乱堆叠、新场景下可靠抓取，而非只在训练物体上。
- 接触动力学：抓取/插入/推动涉及摩擦、形变、滑动，难精确建模，对扰动敏感。
- 感知误差：遮挡、透明/反光物体导致点云与位姿估计不准，误差直接传到抓取。
三、方法谱系
从解析式（基于几何与力闭合的抓取规划）到数据驱动（学习抓取检测）；近年端到端模仿学习与扩散策略直接从观测生成操作动作序列，对接触丰富的灵巧操作更有优势。
追问
追问 1：为什么透明/反光物体抓取特别难？
深度相机依赖结构光或 ToF，透明和高反光表面会导致深度缺失或错误，点云出现空洞，位姿估计和抓取检测随之失效。应对方法包括用 RGB 线索补全深度、专门的透明物体数据集训练、多视角融合，或用触觉在接触阶段纠偏。
追问 2：扩散策略为什么适合接触丰富的操作？
接触操作的动作分布往往是多模态的（多种可行抓法/路径）。回归式策略会把多个模式平均成无效中间动作，而扩散策略显式建模多模态动作分布并生成连贯动作序列，更稳健，适合插孔、灵巧操作等接触密集任务。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习