作者丨郑佳美
编辑丨岑峰
在机器人研究中，抓取这一看似基础的问题，正成为决定上层智能能走多远的关键变量。当前大模型已具备语言理解、图像分析与任务规划能力，但在与物理世界发生真实交互时，系统仍显笨拙。
现有抓取研究多聚焦于几何稳定性——只要夹住不掉落即视为成功。然而人类日常中的抓取从来不是目的本身，而是功能行为的起点：端杯为倒水，握锤为敲击，按压扳机为喷洒。功能性抓取比稳定抓取更贴近真实世界的智能需求。
难点在于，功能性抓取并非单纯几何问题，而是需综合理解物体结构、用途、操控部位与适配姿态的语义任务。尤其在灵巧手系统中，上百维控制空间叠加复杂接触动力学，使传统强化学习难以有效收敛。如何让机器人自主习得功能相关的抓取位置与姿态，长期缺乏系统、可验证的解决方案。
北京大学卢宗青团队在论文《Universal Dexterous Functional Grasping via Demonstration-Editing Reinforcement Learning》中提出DemoFunGrasp方法，对功能性抓取进行全新建模。
该方法将关注点从“是否抓住”提升至“如何围绕功能抓取”，首次将功能位置（如把手、扳机）与抓取风格（如捏持、侧持）统一纳入策略优化框架，并在大规模仿真与真实机器人平台完成系统验证，实现超70%的功能性抓取成功率。
论文地址：https://arxiv.org/pdf/2512.13380v1
01 从「抓得住」走向「抓得对」
DemoFunGrasp 方法可在大量异形、异构、异功能物体上，实现可控、语义明确的功能性抓取，并直接迁移到真实机器人平台。
在大规模仿真环境中，研究者基于 IsaacGym 构建含3000+物体的测试集，覆盖细长体、球体、带柄容器及工具类物体（源自 DexGraspNet 与 YCB 数据集）。机器人需在指定功能条件下完成抓取，如抓取杯子把手、喷壶扳机或工具柄部。结果显示：在强功能约束下，该方法仍保持高成功率，证明策略兼顾稳定性与功能性。
实验进一步验证了功能区域对准精度显著提升。团队定义“目标功能点与实际接触点距离”为关键指标。DemoFunGrasp 将平均偏差控制在约 3 厘米，而基线方法常偏离至非功能区——例如在锤子场景中，基线多抓锤头，DemoFunGrasp 集中于锤柄；在喷壶场景中，前者常落于瓶身，后者则精准覆盖扳机及握柄区域。
研究还验证了抓取风格的多样性与可控性。团队依据人类手部抓取分类体系，定义捏持、侧持、小直径抓等语义化风格标签，并作为策略输入条件。实验表明：同一物体在不同风格指令下，生成的姿态差异显著，非微调扰动；低维嵌入可视化显示，各风格聚类清晰分离，证实模型已结构化编码并可控调节抓取风格。
在真实机器人平台测试中，团队使用 7 自由度机械臂+灵巧手系统，仅依赖单目摄像头图像输入（无完美状态信息），未做真实域微调，即实现超70%功能性抓取成功率。更重要的是，机器人能执行后续功能动作：提起壶柄倒水、按压扳机喷洒等，真正实现“为抓而抓”向“为用而抓”的跨越。
消融实验进一步证明各模块必要性：移除可供性奖励项后，成功率略升但功能点偏离严重；取消风格扰动机制，成功率大幅下降；去除尺寸归一化，大物体学习极不稳定。所有设计均非装饰，而是性能基石。
02 把「怎么抓」提升到「为什么而抓」
该研究的核心突破，在于将模糊的“功能抓取”概念转化为可建模、可计算、可条件控制的问题，并以演示编辑式强化学习求解。
任务建模层面，团队摒弃传统纯几何视角，提出功能抓取由两要素共同定义：功能位置（以三维可供性点表示，如茶壶把手、剪刀握柄）与抓取风格（以类别标签表示，如环握、侧持）。由此，问题被形式化为：在给定物体形状、功能点及风格标签条件下，生成完整抓握动作。
方法上，团队采用演示编辑强化学习（Demonstration-Editing RL）：不从零训练轨迹，而是先构建一条基础示范轨迹（“抓取动作骨架”），再让策略学习对其施加残差式调整。策略输出包括手腕位姿整体变换与手指关节角小幅修正，将长序列决策降维为单步决策，显著降低搜索空间与学习难度。
奖励函数包含四部分：抓取成功与否、接触点与功能点距离、过程是否靠近功能区、最终姿态与目标风格匹配度。其中，针对物体尺寸差异，引入按尺度归一化的距离度量，保障奖励一致性，提升强化学习稳定性。
随后，团队将状态级策略迁移至视觉空间：在仿真中采集大量 RGB 图像、状态、功能点、风格标签与动作数据，以此监督训练视觉策略网络，完成从“理想信息策略”到“真实感知策略”的蒸馏。训练中对光照、材质、相机位姿等进行大规模随机化，确保策略泛化能力。
系统进一步融合视觉语言模型（VLM），支持自然语言输入。用户说出“抓住喷壶扳机”或“拿茶壶把手”，VLM 即在图像中定位对应功能区域，并转化为可供性点输入抓取策略，形成完整闭环：语言理解 → 视觉定位 → 功能推理 → 灵巧控制。
03 当控制难题被真正降维
本研究的意义体现在三个层面：抓取目标的转变、学习方法的突破、具身智能能力的整体跃升。
第一，它重构了机器人抓取的目标范式。传统研究以“不掉落”为终点；本工作强调“为抓而用”——抓杯为倒水、抓剪为裁剪、抓喷壶为喷洒，将抓取从几何稳定性问题升级为语义功能性问题，是迈向真正智能操作的关键一步。
第二，为灵巧手（dexterous hand）强化学习提供新路径。通过演示编辑机制，将高维连续控制降维为单步残差决策，显著缓解探索失败与收敛缓慢难题。该思路可拓展至旋转、插接、开合等复杂操作，对整个灵巧操作（dexterous manipulation）领域具普适启发性。
第三，提出“功能点 + 风格标签”的可组合表达范式，使抓取策略可接收来自语言指令、任务规划器或感知系统的条件输入，为多模态机器人与人类自然交互奠定基础。
最后，研究实现了从语言、视觉到低层控制的全栈闭环，机器人不再执行刚性程序，而能在理解任务语义后自主决策“如何抓、为何抓、如何用”，是通用家庭机器人、服务机器人及具身AI的核心能力。
04 让抓取拥有「目的」的研究者
通讯作者卢宗青为北京大学计算机学院长聘副教授、国家级青年人才、智源学者。长期担任 NeurIPS、ICML、ICLR 等顶会领域主席，提出 Video Tokenizer 技术与 Retriever–Actor–Critic 框架，推动多模态模型与强化学习在机器人领域的深度结合，成果已在多家头部机器人企业落地验证。
卢宗青本科与硕士毕业于东南大学，2014 年获新加坡南洋理工大学计算机博士，2014–2017 年在美国宾州州立大学从事博士后研究。2022 年任智源研究院多模态交互研究中心负责人，主持国家自然科学基金委“通用智能体”原创探索计划；2023 年带领团队研发通用智能体 Cradle，相关论文于 2025 年被 ICML 录用。
2025 年 1 月，他创立北京智在无界科技有限公司（BeingBeyond），提出基于 1500 万条互联网视频关节动作数据构建多模态姿态模型；同年 6 月完成由联想之星领投、智谱 Z 基金等跟投的数千万元天使轮融资。
参考链接：https://z0ngqing.github.io/
