EAGG: Embodiment-Aligned Grasp Generation via Geometry-Aware Graph Conditioning

📄 arXiv: 2606.18092v1 📥 PDF

作者: Wanhao Niu, Qiyan Ke, Yuan Sun, Hao Sun, Jie Xu, Muyuan Ma, Ruiqi Hu, Fuchun Sun

分类: cs.RO, cs.AI

发布日期: 2026-06-16

备注: 16 pages, 8 figures. Code is available at https://github.com/wanhaoniu/EAGG

🔗 代码/项目: GITHUB

💡 一句话要点

提出EAGG以解决跨端执行器抓取生成问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)

关键词: 抓取生成 机器人技术 跨执行器 几何感知 拓扑结构 自动化 智能机器人

📋 核心要点

  1. 现有抓取生成方法通常针对固定的执行器，导致在不同执行器间的迁移能力不足，尤其是在拓扑和几何差异明显时。
  2. EAGG通过拓扑感知的末端执行器图和低维控制空间来表示执行器，利用几何感知标记和迭代几何注入来增强抓取生成的灵活性。
  3. 在MultiGripperGrasp基准测试中，EAGG实现了56.17%的平均成功率，且接触距离显著降低，展示了其优越的抓取生成能力。

📝 摘要（中文）

跨端执行器抓取生成旨在开发一个统一模型，能够在不同物体和执行器之间进行泛化。现有的抓取生成器通常为固定的执行器设计，或使用静态描述符编码执行器身份，这在拓扑、驱动耦合和接触几何差异较大时削弱了迁移能力。本文提出EAGG，一个与执行器结构对齐的抓取生成器，通过拓扑感知的末端执行器图和特定于执行器的低维控制空间来表示每个执行器。冻结的末端执行器认知骨干网络将当前的关节状态转换为几何感知的标记，并通过迭代几何注入在采样过程中不断刷新这些标记，从而保持与不断变化的末端执行器几何形状的同步。实验结果表明，EAGG在MultiGripperGrasp基准测试中达到了56.17%的平均成功率，且在微调和零样本执行器上保持了良好的迁移能力。

🔬 方法详解

问题定义：本文旨在解决跨端执行器抓取生成中的迁移能力不足问题。现有方法通常为特定执行器设计，无法有效应对不同拓扑和几何特征的挑战。

核心思路：EAGG通过构建拓扑感知的末端执行器图和特定于执行器的低维控制空间，来实现对不同执行器的有效表示和抓取生成。通过几何感知标记和迭代几何注入，确保抓取生成过程与执行器几何形状的动态变化保持同步。

技术框架：EAGG的整体架构包括一个冻结的末端执行器认知骨干网络，该网络将关节状态转换为几何感知标记；同时，采用迭代几何注入机制，在采样过程中不断更新标记，以适应执行器的几何变化。

关键创新：EAGG的主要创新在于通过对执行器结构的对齐，增强了跨端执行器抓取生成的能力，而非简单地抑制执行器间的差异。这种方法使得抓取生成在不同执行器间的迁移更加高效。

关键设计：在设计中，EAGG使用了拓扑感知的图结构来表示执行器，并通过低维控制空间来简化控制过程。损失函数的设计考虑了抓取成功率和接触距离的优化，以提升生成抓取的质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

EAGG在MultiGripperGrasp基准测试中达到了56.17%的平均成功率，距离专门训练的执行器仅相差1.10个百分点。同时，迭代几何注入显著降低了接触距离，从0.239 cm降至0.189 cm，展示了其在抓取生成中的有效性。

🎯 应用场景

EAGG的研究成果在机器人抓取、自动化装配和人机协作等领域具有广泛的应用潜力。通过提高跨执行器的抓取能力，该方法能够在多种实际场景中实现更高效的物体操作，推动智能机器人技术的发展。

📄 摘要（原文）

Cross-end-effector grasp generation seeks a unified model that generalizes across objects and across embodiments ranging from parallel grippers to dexterous end effectors. Existing grasp generators are typically designed for a fixed embodiment or encode embodiment identity with a static descriptor, which weakens transfer when topology, actuation coupling, and contact geometry differ substantially. We present EAGG, an embodiment-aligned grasp generator that represents each embodiment with a topology-aware end-effector graph and an embodiment-specific low-dimensional end-effector control space. A frozen end-effector-cognition backbone converts the current articulated state into geometry-aware tokens that act as a reusable morphology prior, and iterative geometry injection refreshes these tokens throughout sampling so that conditioning remains synchronized with the evolving end-effector geometry. On the MultiGripperGrasp benchmark, EAGG reaches 56.17% average success across six training end effectors, remaining within 1.10 percentage points of specialized training while preserving transfer to finetuning and zero-shot end effectors. Iterative geometry injection further reduces the pooled median contact distance from 0.239 cm to 0.189 cm. These results show that cross-end-effector grasp generation is strengthened by aligning embodiment structure inside a shared generator rather than suppressing embodiment differences. Code is available at https://github.com/wanhaoniu/EAGG.