抓取各种各样的物体是机器人手最重要的能力之一。然而，目前的技术通常不能直接应用于具有不同几何形状或配置的新型夹具。

最近在arXiv.org上的一篇论文提出了一种改进的数据驱动的抓取合成和夹具控制方法。无论几何和运动学如何，它都能有效地推广到新颖的多指夹持器，并且不使用手模型规范。

该方法基于抓手的指尖工作空间生成接触点。应用无模型强化学习方法计算夹具逆运动学;因此，该方法可以扩展到新型夹具，而无需运动学模型。

与竞争方法相比，所提出的方法数据效率更高、更准确，并且可以生成更可靠的抓取。

自主抓取机器人以前看不到的新物体是机器人操作中的一个持续挑战。在过去的几十年中，已经提出了许多方法来解决特定机器人手的这个问题。最近推出的UniGrasp框架能够泛化到不同类型的机器人抓手;然而，这种方法不适用于具有闭环约束的抓手，并且在应用于具有多抓握配置的机器人手时数据效率低下。在本文中，我们提出了EfficientGrasp，这是一种通用的抓取合成和抓取器控制方法，它独立于抓取器模型规范。EfficientGrasp利用夹具工作区功能而不是UniGrasp的夹具属性输入。这将内存使用量减少了81。训练期间7%，并且可以推广到更多类型的夹具，例如具有闭环约束的夹具。通过在模拟和现实世界中进行物体抓取实验来评估EfficientGrasp的有效性;结果表明，在仅考虑没有闭环约束的夹具时，所提出的方法也优于UniGrasp。在这些情况下，EfficientGrasp在生成接触点方面的准确率提高了9.85%，在模拟中的抓取成功率提高了3.10%。实际实验是使用具有闭环约束的夹具进行的，UniGrasp无法处理，而EfficientGrasp的成功率为83.3%。分析了该方法抓取失败的主要原因，重点介绍了提高抓取性能的方法。例如具有闭环约束的夹具。通过在模拟和现实世界中进行物体抓取实验来评估EfficientGrasp的有效性;结果表明，在仅考虑没有闭环约束的夹具时，所提出的方法也优于UniGrasp。在这些情况下，EfficientGrasp在生成接触点方面的准确率提高了9.85%，在模拟中的抓取成功率提高了3.10%。实际实验是使用具有闭环约束的夹具进行的，UniGrasp无法处理，而EfficientGrasp的成功率为83.3%。分析了该方法抓取失败的主要原因，重点介绍了提高抓取性能的方法。例如具有闭环约束的夹具。通过在模拟和现实世界中进行物体抓取实验来评估EfficientGrasp的有效性;结果表明，在仅考虑没有闭环约束的夹具时，所提出的方法也优于UniGrasp。在这些情况下，EfficientGrasp在生成接触点方面的准确率提高了9.85%，在模拟中的抓取成功率提高了3.10%。实际实验是使用具有闭环约束的夹具进行的，UniGrasp无法处理，而EfficientGrasp的成功率为83.3%。分析了该方法抓取失败的主要原因，重点介绍了提高抓取性能的方法。通过在模拟和现实世界中进行物体抓取实验来评估EfficientGrasp的有效性;结果表明，在仅考虑没有闭环约束的夹具时，所提出的方法也优于UniGrasp。在这些情况下，EfficientGrasp在生成接触点方面的准确率提高了9.85%，在模拟中的抓取成功率提高了3.10%。实际实验是使用具有闭环约束的夹具进行的，UniGrasp无法处理，而EfficientGrasp的成功率为83.3%。分析了该方法抓取失败的主要原因，重点介绍了提高抓取性能的方法。通过在模拟和现实世界中进行物体抓取实验来评估EfficientGrasp的有效性;结果表明，在仅考虑没有闭环约束的夹具时，所提出的方法也优于UniGrasp。在这些情况下，EfficientGrasp在生成接触点方面的准确率提高了9.85%，在模拟中的抓取成功率提高了3.10%。实际实验是使用具有闭环约束的夹具进行的，UniGrasp无法处理，而EfficientGrasp的成功率为83.3%。分析了该方法抓取失败的主要原因，重点介绍了提高抓取性能的方法。EfficientGrasp在生成接触点方面的准确率提高了9.85%，在模拟中的抓取成功率提高了3.10%。实际实验是使用具有闭环约束的夹具进行的，UniGrasp无法处理，而EfficientGrasp的成功率为83.3%。分析了该方法抓取失败的主要原因，重点介绍了提高抓取性能的方法。EfficientGrasp在生成接触点方面的准确率提高了9.85%，在模拟中的抓取成功率提高了3.10%。实际实验是使用具有闭环约束的夹具进行的，UniGrasp无法处理，而EfficientGrasp的成功率为83.3%。分析了该方法抓取失败的主要原因，重点介绍了提高抓取性能的方法。