高速抓取不只是“抓得准”，还要在移动底盘、机械臂和灵巧手高速协同时处理冲击、滑移和物体反弹。FastGrasp 提出一个学习式全身控制框架，把抓取候选生成、移动操作控制和触觉反馈放到同一个高速抓取流程里。实验中，FastGrasp 在仿真未见物体完整点云条件下平均成功率达到50.09%，在部分点云条件下达到38.51%。真实机器人低速设置下平均成功率达到34.62%。

核心逻辑：

物体点云输入 ➔ CVAE 生成多样化抓取候选 ➔ GWC/GDC 选择高质量抓取引导 ➔ 强化学习全身控制底盘、机械臂和灵巧手 ➔ 二值触觉反馈修正接触状态 ➔ 实现移动高速灵巧抓取

具体的实验流程与核心架构解析

1. 移动灵巧手高速抓取系统

FastGrasp 的真实平台由 Agilex Bunker Mini 移动底盘、Dobot CR5 机械臂、16 自由度 LeapHand、RealSense D435i 相机和触觉传感器组成。策略在真实部署中以15Hz推理，尽量保持和仿真训练一致。

图 1：FastGrasp 在仿真和真实场景中的演示。该图展示了 FastGrasp 在 Isaac Sim 仿真和真实机器人上的高速抓取场景，突出移动底盘、机械臂和灵巧手的协同执行。

2. 系统设置

FastGrasp 不采用固定底座灵巧手，而是让移动底盘参与全身控制，从而扩大可操作范围。物体被放置在机器人前方至少2.0m处，方便底盘加速并形成高速接近过程。

图 2：系统设置。该图展示了真实机器人系统和仿真环境设置，包括移动底盘、机械臂、灵巧手、腕部 RGB-D 相机和触觉输入。

3. 两阶段策略框架

第一阶段用 CVAE 根据物体点云生成多样化抓取候选；第二阶段让强化学习策略根据最优抓取引导，控制底盘速度、机械臂关节和灵巧手关节。

图 3：FastGrasp 框架总览。该图展示了从点云感知、抓取候选生成、抓取质量筛选到全身控制策略执行的完整流程。

实验表现

表 1：仿真未见物体的成功率和手-物距离。

FastGrasp 在完整点云条件下平均成功率达到50.09%，高于两阶段力方向选择方法的41.99%。在部分点云条件下，FastGrasp 仍达到38.51%，而多个基线方法退化到0%。

表 2：奖励、触觉和抓取引导消融实验。

消融结果显示，去掉触觉观测会让平均成功率下降15.65 个百分点，去掉触觉奖励会下降11.56 个百分点。这说明触觉不是装饰，而是在高速接触中稳定抓取的关键反馈。

表 3：真实机器人成功率。

真实实验中，FastGrasp 在高速设置下平均成功率为32.00%，在较低速度设置下平均成功率为34.62%。没有域随机化、低通滤波或触觉适配时，真实成功率会明显下降甚至归零。

结论

FastGrasp 的价值在于，它把移动操作、灵巧抓取和触觉反馈放到高速场景里一起考虑，而不是只做静态抓取或简单移动夹取。在仿真未见物体上，FastGrasp 完整点云成功率达到50.09%，部分点云成功率达到38.51%；真实机器人低速设置下达到34.62%。不过真实成功率仍不算高，说明高速灵巧抓取的 sim-to-real gap、触觉建模和接触稳定性仍是后续关键难点。