内容摘要
作者提出TGrasp6D，以单次RGB-D观测和自然语言任务指令生成任务导向的六自由度抓取，无需任务专用训练或微调。方法先由视觉语言模型识别并定位与任务相关的物体功能部位，预测图像中的抓取方向，再将这些线索提升至三维，形成任务引导的抓取先验；随后采样候选位姿，通过优化兼顾避碰与任务区域一致性。在TaskGrasp评测中，作者仅保留至少有20个人工标注抓取的物体—任务对，共310个实例；成功判据为夹爪扫掠体积与任一对应真值抓取的交并比至少达到0.1。按该协议，TGrasp6D成功率为94.5%，最强基线FoundationGrasp为73.7%；移除位姿细化后降至89.4%。作者还在Franka Research 3上测试5件物体、10种物体—任务组合，每种组合进行10次试验，TGrasp6D成功93/100次，GraspGPT与FoundationGrasp分别为41/100和52/100。这些结果属于作者论文实验，应分别按数据集协议和真机测试范围解读。
点评
该工作展示了先以任务语义约束抓取生成、再做几何细化的路线；消融支持细化改善几何可行性，但不能充分纠正选错功能部位的问题。
单视角输入易受深度噪声、遮挡及点云缺失影响；方法依赖大型视觉语言模型，存在时延与成本负担，且未显式建模接触力学或闭环执行。
版本与核查范围
版本 2610.20901v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #S1.p4.1；figcaption[25]；#S5.SS1.p1.1；#S5.SS2.p2.1；#S5.SS3.p2.1；#S5.SS4.p1.1；#S5.SS4.p1.1；#S5.SS3.p2.1；#S6.p1.1；#S6.p1.1