市中心那栋老楼里，搬家公司老师傅老周正在把一台老式钢琴搬下三楼。他先围着钢琴转了一圈——是硬木还是贴皮？重心偏在哪？楼道哪一段最窄？心里有了数，才弯腰贴近，双手找好发力点，轻轻一抬。钢琴离地的瞬间，他又根据手上的重量感微调了力度：重了怕压坏地板，轻了怕闪了腰。旁边新来的小徒弟看呆了：“师傅，你怎么知道该抓哪儿、用多大力？” 老周这一套本事，浓缩成三个字就是“看、想、搬”。先看清物体长什么样、摆成什么角度（感知），再想好手该放哪里最稳（规划），最后上手时凭手感不断调力道（控制）。机器人抓取策略学的正是这套功夫：机械臂搭配摄像头和触觉传感器，在仓库分拣包裹、在流水线取放零件、在家庭机器人手里端茶倒水。它要解决的，是“面对一个东西，怎么抓才又稳又快又不损坏”——既是物理问题，也是智能问题。

岗位关联

抓取策略是具身智能从“看得见”走向“抓得稳、放得下”的关键一跃。掌握它，你就理解了机器人操作中最接近“手感”的一环，也为踏入具身智能一线岗位打下最扎实的地基。

目录
  1. 可视化演示
  2. 抓取任务认知
  3. 感知物体世界
  4. 规划抓取点
  5. 力位控制策略
  6. 触觉反馈闭环
  7. 泛化未知物体
  8. 评估与落地
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示机器人抓取策略的核心流程：抓取点候选生成与评分选择，以及夹持力动态调整与触觉反馈机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

抓取点选择 P1最高分0.92：最优抓取点位姿 P2评分0.78：次优备选方案 P3评分0.65：低质量候选 多候选评估策略从多个抓取方案中择优，提升未知物体抓取鲁棒性。

抓取任务认知

老周接活有个习惯：先绕着家具转一圈，再上手。徒弟问为什么，老周说“看准了再搬，比瞎使劲强”。这一看一搬，其实就是一套完整的抓取策略——先感知、再规划、后执行。任何抓取任务都逃不开这套章法，机器人也不例外。

机器人操作中的“抓取”，指通过夹爪与物体建立稳定接触、并把它移动到目标位置的过程，是具身智能的基本功。一个标准抓取流程分三大阶段：感知阶段看清物体在哪儿、长什么样；规划阶段决定手放哪里；控制阶段施加力度与位移。搬运工搬琴和机械臂取件，在流程结构上是同构的。

常见的机器人夹爪有平行二指夹爪（结构简单、适合规则物体）、三指灵巧手（形似人手、适合异构物体）、吸盘（适合平板和光滑表面）。抓取的核心挑战在于：物体形状材质未知、位姿存在误差、夹持力过大损坏物品、过小则滑落。把这四件事同时处理好，抓取策略才算合格。整个闭环可以用一个流程公式概括。

老周的“看、想、搬”，本质是一个闭环循环。抓到一半发现要滑了，马上调整，正是公式最后“失败则回退”的含义。抓取策略的成败，就看这个闭环跟不跟得上变化。

π: O→SenseM→PlanC→Act{success, fail}\pi:\ \mathcal{O} \xrightarrow{\mathrm{Sense}} \mathcal{M} \xrightarrow{\mathrm{Plan}} \mathcal{C} \xrightarrow{\mathrm{Act}} \{\text{success, fail}\}
这个公式把“看、想、搬”写成了机器能执行的三段流水线，最后落到成功或失败两个结果上。
  1. 物体集合 $\mathcal{O}$所有待抓物体的总称。每个物体都包含形状、材质、位姿等属性，对应老周面前“千奇百怪的家具”。
    O={待抓取的物体}\mathcal{O} = \{\text{待抓取的物体}\}
  2. 感知映射 $\mathrm{Sense}$把物理世界中的物体变成机器人能计算的模型 $\mathcal{M}$，类似老周围着钢琴转圈打量。
    Sense:O→M\mathrm{Sense}: \mathcal{O} \to \mathcal{M}
  3. 规划映射 $\mathrm{Plan}$从模型 $\mathcal{M}$ 中生成一组候选抓取方案 $\mathcal{C}$，回答“手放哪儿、怎么使劲”。
    Plan:M→C\mathrm{Plan}: \mathcal{M} \to \mathcal{C}
  4. 执行映射 $\mathrm{Act}$控制夹爪真正接触并搬运，输出成功或失败；失败则回到感知重新尝试，形成闭环。
    Act:C→{success, fail}\mathrm{Act}: \mathcal{C} \to \{\text{success},\ \text{fail}\}

感知物体世界

老周围着钢琴转圈，其实在做三件事：看轮廓（形状）、看木纹漆面（材质）、判断朝向（位姿）。机器人要抓一个物体，同样先回答三个问题：它长什么样？是什么材质？现在摆成什么角度？这三问，就是感知阶段全部任务。

视觉是感知的主力。深度相机（RGB-D）同时输出彩色图和深度图，语义分割从背景中抠出物体轮廓，点云配准重建出三维形状。材质推断则结合颜色、纹理、光泽等线索，必要时用触觉预扫描补充——就像老周偶尔会用手背轻轻碰一下漆面，判断它是不是刚刷过。这一层解决了“形状重建”与“材质推断”。

感知阶段最核心的输出是位姿估计：给出物体在机器人坐标系下的位置和姿态，数学上用 6 个自由度描述——3 个平移加 3 个旋转。这 6 个自由度被统一封装在一个 4×4 的齐次变换矩阵里，属于刚体变换群。

感知越准，规划越省力。老周把钢琴朝向看得越清楚，下手就越有底气；机器人的摄像头与触觉传感器每提升一寸精度，抓取成功率就上一个台阶。

CTO=[CROCtO0T1]∈SE(3){}^C\mathbf{T}_{O} = \begin{bmatrix} {}^C\mathbf{R}_{O} & {}^C\mathbf{t}_{O} \\[2pt]\mathbf{0}^{\mathsf{T}} & 1 \end{bmatrix} \in SE(3)
位姿矩阵像一张“身份证”，同时写清物体在哪（位置）、朝哪（姿态），机器人才能知道手应该伸向何处。
  1. 旋转矩阵 ${}^C\mathbf{R}_{O}$描述物体坐标系相对相机坐标系的朝向，属于三维旋转，共 3 个自由度。
    CRO∈SO(3){}^C\mathbf{R}_{O} \in SO(3)
  2. 平移向量 ${}^C\mathbf{t}_{O}$描述物体中心相对相机原点的位移，共 3 个自由度。
    CtO=(tx, ty, tz)T{}^C\mathbf{t}_{O} = (t_x,\ t_y,\ t_z)^{\mathsf{T}}
  3. 齐次变换 ${}^C\mathbf{T}_{O}$把旋转和平移拼进同一个 4×4 矩阵，让“旋转+平移”能写成一次矩阵乘法。
    CTO=[Rt0T1]{}^C\mathbf{T}_{O} = \begin{bmatrix} \mathbf{R} & \mathbf{t} \\[2pt] \mathbf{0}^{\mathsf{T}} & 1 \end{bmatrix}
  4. 李群 $SE(3)$所有合法刚体变换的集合，保证矩阵永远可逆、物理意义正确。
    SE(3)={T=(R,t)}SE(3) = \{\mathbf{T} = (\mathbf{R}, \mathbf{t})\}

规划抓取点

老周从不随手乱抓——抓把手断过，抓玻璃碎过。他早已学会在脑子里快速画出一张“可行抓点图”：哪些地方能受力、哪些地方一碰就坏、两只手怎么搭才稳。这张图，就是抓取点规划的雏形。

机器人在建好物体模型后，规划阶段会在物体表面采样大量候选接触点对——两指夹爪的两个手指分别接触的两个点，然后逐对打分。打分的依据叫“几何可抓性”：接触区域是否平整、是否远离易损部位、两指连线是否大致经过质心。这一步与老张打量柜子“哪里能下手”完全对应。

但打分之前，必须先过一关：力封闭。一个抓取方案只有满足力封闭，才能在任意方向外力扰动下保持平衡。数学上，把每个接触点处的力矢量看成空间中的点，如果这些点的凸包能把原点严严实实包在内部，物体就被“锁”在指间，怎么推都推不掉。

有了力封闭这杆秤，规划器再叠加权重评分——抓点离质心越近越好、夹持角度越正越好，最终挑出分数最高的抓点。老周脑子里那张“可行抓点图”，就是搬了几千件家具后练出来的评分器。

0∈int⁡(conv⁡{f1,f2,…,fn})\mathbf{0} \in \operatorname{int}\Big(\operatorname{conv}\{\mathbf{f}_{1}, \mathbf{f}_{2}, \dots, \mathbf{f}_{n}\}\Big)
力封闭是“稳”的数学定义：所有手指的力合起来能抵抗来自任意方向的拉扯。
  1. 接触力 $\mathbf{f}_i$第 $i$ 个接触点处物体受到的力矢量，包含大小和方向。
    fi∈R3\mathbf{f}_{i} \in \mathbb{R}^{3}
  2. 凸包 $\operatorname{conv}\{\cdot\}$把 $n$ 个力矢量看成点，凸包是能包住它们的最小凸区域。
    conv⁡{f1,…,fn}\operatorname{conv}\{\mathbf{f}_{1}, \dots, \mathbf{f}_{n}\}
  3. 内部 $\operatorname{int}(\cdot)$强调原点必须落在凸包内部而非边界；边界意味着某方向刚好平衡，一碰就破。
    0∈int⁡(⋅)\mathbf{0} \in \operatorname{int}(\cdot)
  4. 原点 $\mathbf{0}$代表合力与合力矩均为零的平衡状态，是“抓稳了”的数学等价表述。
    ∑fi=0\sum \mathbf{f}_{i} = \mathbf{0}

力位控制策略

老周有个原则：能省力就省力，该用力才用力。抬钢琴先试小半力，稳住了再慢慢加，绝不蛮干。机器人控制也是同一个道理——不是夹得越紧越好，而是“够用就好”。

“够用”的标准由物理定律给出。两个手指与物体之间的摩擦力是夹持力的来源，接触面越滑，需要的夹持力越大。库仑摩擦定律告诉我们：切向力不能超过摩擦系数乘以法向力。把这个约束用到两指抓取上，就能算出保证物体不掉落的最小夹持力。

有了目标值，还需要“力位混合控制”去执行：一个回路管位置（手指该到哪），一个回路管力度（接触力该多大），两个回路同时工作，像老周一手扶琴、一手调劲。遇到颠簸或外界扰动，控制器自动增加夹持力，这就是“抗滑调节”与“柔顺操作”的由来。

最小力规划让机器人像老周一样“惜力”，既保护物体，又保护电机。遇到路面颠簸，控制回路自动加力，对应老周感觉到琴身一晃立刻加大手劲——力位控制策略，本质是把“量力而行”变成算法。

Fmin⁡=mg2μ\displaystyle F_{\min} = \frac{mg}{2\mu}
最小夹持力等于物体重量除以两倍摩擦系数：摩擦系数越小，夹得越紧。
  1. 物体重量 $mg$$m$ 是物体质量，$g$ 是重力加速度，两者相乘得到物体受到的重力。
    W=mgW = mg
  2. 摩擦系数 $\mu$描述接触面粗糙程度，橡胶对木材约为 0.5~0.8，玻璃对金属则更小。
    0<μ<10 < \mu < 1
  3. 分母的 $2$两只手指共同提供摩擦力，总摩擦能力是单指的两倍。
    2μFn≥mg2\mu F_{n} \geq mg
  4. 最小正压力 $F_{\min}$在刚好不滑落的边界上反解出的法向夹持力，是力控的目标值。
    Fn≥mg2μF_{n} \geq \frac{mg}{2\mu}

触觉反馈闭环

老周最得意的是自己的“手感”——一上手就知道要不要加力、往哪边歪。这种本领，在机器人身上就叫触觉感知。视觉负责“看清楚”，触觉负责“摸明白”，两者缺一不可。

触觉传感器藏在机器人手指表面，能测接触力的分布、微小的振动纹理甚至温度。它的价值不是给出一次读数，而是构成反馈闭环：检测到滑动征兆，立刻加大夹持力，再重新验证是否稳定。这一个“感知-决策-执行”的小循环，让抓取从开环瞄准变成闭环稳持。

滑动检测是闭环的触发器。物体开始滑动的瞬间，切向力会出现突变，算法盯着这个变化率，一旦超过阈值就判定“要滑了”。这个判断用数学写出来非常简洁。

老周听到柜子发出“嘎吱”声、感觉到木屑摩擦，就立刻调整姿势；机器人靠触觉传感器捕捉同样的“嘎吱声”，完成毫秒级加力。触觉反馈闭环，就是把这些年积累的“手感经验”注入每一次抓取。

Slip(t)=1 ⁣[ ∣dftdt∣>θ ]\mathrm{Slip}(t) = \mathbb{1}\!\left[\, \left|\frac{d f_{t}}{dt}\right| > \theta \,\right]
滑动检测就像一个警报器：切向力“变脸”太快，就拉响加力警报。
  1. 切向力 $f_{t}$物体与手指接触面上沿切线方向的力，方向与滑动趋势相反。
    ft=μfnf_{t} = \mu f_{n}
  2. 变化率 $\dfrac{df_{t}}{dt}$切向力对时间的导数，反映力在单位时间内的突变程度；滑动瞬间这个值会剧烈飙升。
    ∣dftdt∣≫0\left|\frac{df_{t}}{dt}\right| \gg 0
  3. 阈值 $\theta$预设的滑动判定门限，由传感器噪声和物体材质共同决定。
    θ=经验标定常数\theta = \text{经验标定常数}
  4. 指示函数 $\mathbb{1}[\cdot]$条件成立输出 1（判定滑动），否则输出 0（保持稳定）。
    1[true]=1\mathbb{1}[\text{true}] = 1

泛化未知物体

干搬家这行二十年，老周发现最难搬的永远是“没见过的玩意儿”——客户搬来一尊奇形怪状的当代雕塑，他照样能安全搬下楼。这种面对未知事物随机应变的能力，正是机器人抓取最想拥有的。

现实世界是开放世界：机器人不可能预先见过所有物体。工业零件常有新款式，家里的水杯毛巾天天变化。因此抓取策略必须拥有泛化能力，对从未建模过的物体也能抓得稳。“多模态融合”是第一步——把视觉、触觉、深度等多路信号合并成一个统一表征，视觉看不清材质时，触觉立刻补上，互相弥补盲区。

“经验迁移”让机器人在见过的物体上学会的抓取先验，平滑迁移到形状相似但从未见过的新物体上；“持续学习”则让机器人在每次成功与失败中不断更新自己的“手感库”。这两者共同撑起开放世界的应对能力。用贝叶斯视角看，多模态融合就是在综合视觉与触觉两种证据后，再判断“能不能抓住”。

老周的手感库靠二十年积累，机器人靠千万次抓取与强化学习迭代，速度比人快得多。让“没见过”变成“抓得住”，正是抓取策略通往通用机器人操作的最大一块跳板。

P(G∣I,T)∝P(I∣G) P(T∣G) P(G)P(\mathcal{G} \mid I, T) \propto P(I \mid \mathcal{G})\, P(T \mid \mathcal{G})\, P(\mathcal{G})
视觉和触觉各自“投票”，机器人综合两张票决定抓还是不抓、怎么抓。
  1. 后验概率 $P(\mathcal{G} \mid I, T)$看到图像 $I$、摸到触觉 $T$ 之后，抓取成功的概率。
    0≤P(G∣I,T)≤10 \leq P(\mathcal{G} \mid I, T) \leq 1
  2. 视觉证据 $P(I \mid \mathcal{G})$已知能成功抓取的物体，其图像特征表现出的似然度。
    P(I∣G)P(I \mid \mathcal{G})
  3. 触觉证据 $P(T \mid \mathcal{G})$已知能成功抓取的物体，其触觉信号表现出的似然度。
    P(T∣G)P(T \mid \mathcal{G})
  4. 先验 $P(\mathcal{G})$不借助任何观测时，凭历史经验判断“这类东西能抓”的概率。
    P(G)P(\mathcal{G})

评估与落地

搬家公司给老周发年终奖，从来不只看“搬了多少件”，还看磕没磕碰、速度跟不跟得上、遇上紧急情况会不会处理。一台机器人的抓取能力，同样需要多维指标来体检。

抓取领域公认的评估体系包含四个维度：准确性——抓取成功率，衡量“抓得住”；鲁棒性——在扰动、光照变化、物体变形下依然稳定；效率——单次抓取耗时，决定流水线节拍；安全性——对易碎品零损伤、对人机共融场景零威胁。四者各有侧重，综合得分取加权和。

落地场景已经开始开花结果：仓储分拣是最典型的练兵场，机械臂在传送带上分拣大小不一、材质各异的包裹；工业精密装配需要克级力控精度，家庭服务未来要抓毛巾、端水杯、递玩具。老周的二十年经验能被量化成指标，机器人的能力也能被指标牵引着迭代。当它在准确、鲁棒、效率、安全四个维度上全面逼近老周时，具身智能就真正装上了一双“会抓的手”。

S=αA+βR+γE+δSf,α+β+γ+δ=1S = \alpha A + \beta R + \gamma E + \delta S_{f}, \qquad \alpha + \beta + \gamma + \delta = 1
综合分是四个维度的“加权成绩单”，权重由具体场景决定：仓库重效率，实验室重鲁棒。
  1. 准确率 $A$成功抓取次数占总尝试次数的比例，是最直观的“抓得住”指标。
    A=N成功N总A = \frac{N_{\text{成功}}}{N_{\text{总}}}
  2. 鲁棒性 $R$在扰动幅度变化下成功率保持稳定的程度，常用“扰动-成功率”曲线刻画。
    R=min⁡扰动A(扰动)R = \min_{\text{扰动}} A(\text{扰动})
  3. 效率 $E$单次任务平均耗时，仓储场景通常要求秒级以内。
    E=T总任务数E = \frac{T_{\text{总}}}{\text{任务数}}
  4. 安全 $S_{f}$接触力峰值、物体损伤率、紧急停机响应等安全相关度量的综合评价。
    Sf=1−损伤次数总次数S_{f} = 1 - \frac{\text{损伤次数}}{\text{总次数}}

AI 应用场景

智慧仓储分拣机器人

阶段：感知 → 规划 → 控制 → 评估

解决的问题：传统传送带分拣只能处理规则箱体，遇到软包、透明袋、缠绕膜就束手无策。AI抓取策略结合视觉与触觉，动态决定抓点并实时调整力度，把异形包裹的分拣成功率从六成提升到九成以上，同时用多维指标持续监控产线表现。

具体案例：某电商仓库部署机械臂分拣流水线，RGB-D 相机先识别包裹位姿，深度网络采样候选抓点，力控夹爪在触觉反馈下自适应硬盒与软袋，触觉检测到滑动立即加力，单臂每小时分拣超过 800 件，破损率下降一个数量级。

家庭服务机器人

阶段：多模态感知 → 泛化规划 → 柔顺控制

解决的问题：家庭环境充满未知物体——今天的水杯、明天的毛巾、后天的玩具。传统方案需要预先建模，无法落地。抓取策略的“经验迁移+持续学习”让机器人在真实家庭中边用边学，越用越顺手。

具体案例：一台家庭服务机器人在用户客厅尝试抓起桌上的玻璃杯，视觉估计位姿后选择杯身中部作为抓点，触觉传感器感知到杯面光滑，自动提高夹持力并降低移动速度，成功端到主人面前而未打滑。

工业精密装配

阶段：力位混合控制 → 触觉反馈

解决的问题：轴孔装配中毫米级偏差就会卡死，纯位置控制难以为继。抓取策略中的“最小力规划+柔顺操作”让机械臂像老师傅一样“摸着劲干活”，以力为引导完成精密对接，避免损伤工件。

具体案例：某汽车零部件产线使用六维力传感器加持的机械臂进行齿轮装配，力位混合控制将接触力稳定在设定阈值内，遇到卡滞时立刻回退并重新试探，装配一次合格率从 82% 提升至 99% 以上。

Python 演示

python68 行
import mathimport random  class SimGripper:    """两指夹爪: 根据触点几何计算稳定分"""     def __init__(self, mu=0.7):        self.mu = mu     def score(self, p1, p2, centroid):        cx = (p1[0] + p2[0]) / 2.0        cy = (p1[1] + p2[1]) / 2.0        offset = math.hypot(cx - centroid[0], cy - centroid[1])        span = math.hypot(p2[0] - p1[0], p2[1] - p1[1])        friction = self.mu * span / (offset + 1.0)        return friction - offset * 0.1 - span * 0.001  def contour_points(n=24, radius=30.0, wobble=8.0):    """生成带随机扰动的闭合轮廓, 模拟未知物体"""    pts = []    for i in range(n):        a = 2.0 * math.pi * i / n        r = radius + random.uniform(-wobble, wobble)        pts.append((r * math.cos(a), r * math.sin(a)))    return pts  def find_best_grasp(points, mu=0.7):    g = SimGripper(mu)    centroid = (        sum(p[0] for p in points) / len(points),        sum(p[1] for p in points) / len(points),    )    best = None    best_score = -1e9    n = len(points)    for i in range(n):        for j in range(i + 1, n):            d = abs(i - j)            d = min(d, n - d)            if d < n // 4:                continue            sc = g.score(points[i], points[j], centroid)            if sc > best_score:                best_score = sc                best = (points[i], points[j])    return best, best_score  def main():    random.seed(42)    total = 200    ok = 0    for _ in range(total):        pts = contour_points()        (pa, pb), sc = find_best_grasp(pts)        if sc > 0.0:            ok += 1    print("测试物体: %d 个" % total)    print("稳定抓取: %d 个 (成功率 %.1f%%)" % (ok, ok * 100.0 / total))    print("最佳触点: (%.1f, %.1f) <-> (%.1f, %.1f)"          % (pa[0], pa[1], pb[0], pb[1]))  if __name__ == "__main__":    main()
目的：用二维轮廓近似未知物体，演示“采样抓点 → 力封闭式打分 → 选出最优”的规划流程，并统计成功率。
  1. def score(self, p1, p2, centroid):定义打分函数，把“离质心近、跨度大、摩擦余量足”合并成一个分数。
  2. friction = self.mu * span / (offset + 1.0)摩擦余量是稳定性的主要贡献项：摩擦系数越大、触点跨度越大越稳。
  3. d = min(d, n - d)计算闭合轮廓上的真实距离，避免把首尾相邻点误当成有效抓点对。
  4. if d < n // 4:过滤太近的触点对，太近等于“掐”而不是“抓”，物理上不稳定。
  5. if sc > best_score:贪心保留当前最高分方案，模拟规划阶段“取最优”的决策逻辑。
  6. random.seed(42)固定随机种子，保证每次运行结果可复现，方便对照实验。
  7. if sc > 0.0: ok += 1分数大于 0 视为可稳定抓取，最后汇总得到成功率指标。

常见误区

误区我一开始以为抓取很简单，让夹爪对准物体、用力合上不就行了吗？结果失败好几次才发现，位置差一点、力气大一点，物体就飞出去了。

正解抓取是一个“感知-规划-控制-反馈”的完整闭环。抓点位置由力封闭原理约束，夹持力由摩擦模型规划，滑动由触觉反馈纠正。只做“合拢”相当于蒙着眼睛搬钢琴，跟老周的“看、想、搬”差了三个环节。

为何常见：日常生活中抓东西是肌肉记忆，几乎无意识，很容易把复杂的决策过程简化成“一抓就完事”。

误区现在 3D 相机这么便宜、建模这么准，有了视觉就能算准抓点，触觉传感器是不是多余了？

正解视觉算得出“该抓哪”，算不出“抓得多紧”。湿滑酒杯与干燥木块的重量、摩擦、滑动趋势，只能靠接触后的实时反馈感知。视觉负责开环瞄准，触觉负责闭环稳持，二者是配合关系而非替代关系。

为何常见：视觉的效果在演示视频里太“出镜”，而触觉信息难以直观展示，导致存在感被系统性低估。

误区评估抓取策略看成功率就够了？既然 90% 和 99% 差得很远，那我拼命把成功率刷上去不就完了？

正解单一成功率会掩盖鲁棒性、效率与安全。在易碎品场景，损伤率比成功率更致命；在高速流水线，单次耗时决定产能；在真人旁边干活，安全冗余不可妥协。多维指标加权才是公允的评价方式，老周拿年终奖也不只看搬了多少件。

为何常见：成功率最好量化、最常被论文引用，容易形成“一指标定乾坤”的思维惯性。

误区既然神经网络能端到端直接输出抓点，力封闭、摩擦锥这些老掉牙的几何理论是不是可以扔进故纸堆了？

正解学习式方法擅长从数据中获取先验，但物理约束依然是它的“常识底座”。纯数据拟合在形变物体、极端光照下会崩，主流路线是“学习先验 + 物理校验”互补——几何模型提供上限，学习模型提供泛化。

为何常见：深度学习炫目的端到端效果让人误以为可以完全替代物理建模，忽视了泛化能力背后的归纳偏置。

面试题

Q1. 机器人“抓取策略”的核心闭环流程是？

单选题 · easy

  • A.感知-规划-控制闭环流程← 正确答案
  • B.加热-冷却-分离处理流程
  • C.搜索-排序-存储处理流程
  • D.编译-链接-运行执行流程

答案：A。抓取策略本质是“感知-规划-控制”闭环：先看清物体状态，再规划抓点与力度，最后执行并靠触觉反馈修正。加热冷却、排序存储、编译运行都与抓取无关。老周搬琴正是先看后想再搬。

Q2. 力封闭条件的直观含义是？

单选题 · easy

  • A.接触力凸包包含原点锁死物体← 正确答案
  • B.手指温度必须高于物体温度
  • C.物体重心必须低于桌面高度
  • D.夹爪闭合速度必须快于光速

答案：A。力封闭要求所有接触力的凸包包含原点，表示任意方向的外力都能被接触力抵消，物体被“锁”在指间。手温、重心高度、闭合速度都与稳定抓取无关。

Q3. 两指夹爪提起重物所需的最小法向力与哪个量成反比？

单选题 · easy

  • A.物体质量
  • B.摩擦系数← 正确答案
  • C.夹爪重量
  • D.视觉分辨率

答案：B。由最小力公式 $F_{\min}=mg/(2\mu)$ 可知，所需夹持力与摩擦系数 $\mu$ 成反比：接触面越滑，需要夹得越紧。它与质量成正比，与夹爪重量、视觉分辨率无关。

Q4. 位姿估计中的 $SE(3)$ 描述的是什么？

单选题 · mid

  • A.旋转加平移共六个自由度← 正确答案
  • B.仅绕竖直轴的旋转角
  • C.物体表面的颜色与纹理
  • D.夹爪手指的开合角度

答案：A。$SE(3)$ 是刚体变换空间，包含旋转矩阵（3 个自由度）和平移向量（3 个自由度），共 6 自由度，描述“位置+姿态”。只绕单轴、颜色纹理、开合角度都不是位姿估计的完整描述。

Q5. 下列属于抓取策略多维评估指标的是？

多选题 · mid

  • A.抓取成功等准确指标← 正确答案
  • B.抗干扰鲁棒性指标← 正确答案
  • C.单次抓取效率指标← 正确答案
  • D.表面鲜艳美观指标

答案：ABC。多维指标体系包含准确性、鲁棒性、效率与安全。表面鲜艳程度与抓取能力无关。老周拿年终奖看的是“搬得稳、搬得快、不出事”，不是“搬得好看”。

Q6. 触觉反馈在抓取中的核心作用是什么？

单选题 · hard

  • A.替代视觉处理场景语义理解
  • B.检测滑动并实时调节夹持力← 正确答案
  • C.计算物体在图像中的像素面积
  • D.生成环境三维彩色地图

答案：B。触觉反馈的核心价值是闭环：检测切向力突变判断滑动，再实时调节夹持力保持稳定。替代视觉语义理解、计算像素面积、生成三维地图都不是触觉传感器的职责。

Q7. 提升未知物体抓取泛化能力的手段包括？

多选题 · mid

  • A.视觉触觉等多模态融合← 正确答案
  • B.跨场景的经验迁移学习← 正确答案
  • C.持续学习不断遇见的新物体← 正确答案
  • D.只固定使用一种标准夹爪

答案：ABC。多模态融合补盲区、经验迁移借先验、持续学习更新手感库，三者共同提升开放世界抓取能力。只固定使用一种夹爪会限制可抓物体的范围，无法应对未知物体。

Q8. 摩擦锥条件 $f_t \leq \mu f_n$ 说明什么？

单选题 · hard

  • A.切向力超过摩擦上限即滑动← 正确答案
  • B.法向力越大物体越容易滑落
  • C.摩擦系数与温度成正比关系
  • D.夹持力越小抓取越稳定可靠

答案：A。摩擦锥说明切向力不能超过“摩擦系数 × 法向力”，超过上限物体就会滑动。法向力越大越不易滑，摩擦系数与温度无必然关系，夹持力越小越不稳定。

Q9. 关于“学习式抓取方法”，下列说法正确的是？

多选题 · extreme

  • A.可从大量数据中学习抓取先验← 正确答案
  • B.完全不需要物理约束知识的参与
  • C.可与几何力封闭方法互补使用← 正确答案
  • D.仅能处理规则形状的简单物体

答案：AC。学习式方法从数据中学习抓取先验，且主流路线是与几何力封闭互补；“完全不要物理约束”是对深度学习能力的过度放大的误解，“仅能处理规则形状”则低估了它的泛化能力。

Q10. 仓储分拣场景对抓取策略最典型的多维要求是？

单选题 · mid

  • A.高成功率高效率与高安全性并重← 正确答案
  • B.只针对单一形状的高精度抓取
  • C.完全离线工作且不感知物体状态
  • D.单纯追求夹爪的最快移动速度

答案：A。仓储分拣节奏快、物件杂、常与工人共处，必须成功率、效率、安全并重。只针对单一形状、离线不感知、只求速度快都无法适应真实调度，这正是多维指标体系的用武之地。