Franka助力GraspMolmo研究，实现可泛化任务导向抓取的关键突破

研究背景：

 

传统机器人抓取技术多依赖物体几何特征，仅关注抓取稳定性，却忽视了任务具体需求。例如，同一把刀在“切菜”与“安全传递”任务中需要完全不同的抓取位置。

现有面向任务的抓取（TOG）方法因受限于小规模数据集、简化语言描述及整洁场景假设，难以泛化至新任务和未见过的物体，导致在真实复杂环境中灵活性不足。

为解决这一难题，研究团队以Franka Research 3七自由度机械臂为实验平台，提出了GraspMolmo——一种可泛化的开放词汇任务导向抓取模型。

其核心目标是：通过结合自然语言指令与单帧RGB-D图像，精准预测符合任务需求的抓取方式，真正实现“机器人不仅能抓，还懂为何抓、如何抓”。

GraspMolmo是一种可泛化的开放词汇面向任务的抓取模型，它在给定自然语言指令的情况下预测语义上合适的抓取

核心方法：GraspMolmo与PRISM数据集

GraspMolmo的突破离不开两大关键支撑：大规模合成数据集PRISM的构建，以及基于视觉语言模型的高效训练。

1.PRISM：大规模任务语义抓取数据集