4. 抓取规划基础：抓取构型、力封闭与形封闭、抓取质量度量、常用抓取规划算法
好，咱们进入正题。抓取规划，说白了就是让机器人知道「怎么下手」。你想想看，一个机械手伸过去，五个手指头往哪放？用多大的力？抓起来之后会不会掉？这些问题，就是抓取规划要解决的。
我个人习惯把抓取规划拆成四个核心模块：抓取构型（手怎么摆）、封闭性分析（能不能抓住）、质量度量（抓得好不好）、规划算法（怎么找到最优解）。咱们一个一个聊。
核心观点：抓取规划不是玄学，是几何+力学+优化的组合拳。你把这三点吃透了，大部分抓取问题都能搞定。
4.1 抓取构型：手该往哪放？
抓取构型，就是定义手指与物体的接触点位置和手指的姿态。我刚开始做项目时，总觉得随便抓就行，结果有一次抓一个玻璃杯，手指刚好卡在杯沿上，一用力杯子就碎了……嗯，从那以后我再也不敢轻视构型设计了。
常见的抓取构型包括：
- 指尖抓取（Pinch Grasp）：用指尖对捏，适合小物体或精密操作。我做过一个PCB抓取项目，用的就是这种构型，因为怕碰到元件。
- 包络抓取（Power Grasp）：整个手掌包住物体，力大稳定，适合重物。比如抓锤子、抓瓶子。
- 钩状抓取（Hook Grasp）：手指弯曲成钩，适合提拉带把手的物体，比如水桶。
- 侧捏抓取（Lateral Pinch）：拇指与食指侧面夹持，适合薄片物体，比如卡片。
每种构型都有它的适用场景。我建议你在做规划时，先根据物体形状和任务需求，把构型候选集缩小到3-5种，然后再做精细优化。别一上来就暴力搜索所有可能性，计算量太大。
4.2 力封闭与形封闭：抓住 vs. 抓稳
这两个概念，我当年学的时候也绕了一阵。简单说：
- 形封闭（Form Closure）：靠几何约束把物体卡住，即使没有摩擦力，物体也动不了。比如你把一个球塞进一个刚好卡住的洞里。
- 力封闭（Force Closure）：靠摩擦力来抵抗外力，允许物体在接触点有微小滑动，但整体不会掉。
为什么会这样？因为现实世界中，纯形封闭很难实现——你需要手指和物体完美贴合，公差稍微大一点就失效了。所以实际工程中，我们更常用力封闭。
避坑指南：我曾经在一个项目中，只做了力封闭分析，没考虑形封闭。结果抓取一个表面有油污的金属块时，摩擦力骤降，物体直接滑脱。后来我学乖了：力封闭是基础，形封闭是保险。能同时满足最好，至少也要保证力封闭。
判断力封闭的数学条件：存在一组接触力，使得合力与合力矩为零，且每个接触力都在摩擦锥内。说白了，就是你的手指能「捏住」物体，不会滑出去。
4.3 抓取质量度量：怎么才算「好」？
你找到了一个可行的抓取构型，但它是「好」的吗？我们需要量化指标。常用的度量有：
| 度量名称 | 含义 | 我的经验 |
|---|---|---|
| 最小抵抗外力 | 抓取能抵抗的最小外力幅值 | 越大越好，但别盲目追求，会牺牲灵活性 |
| 抓取椭球体积 | 力椭球或速度椭球的体积 | 体积越大，抓取越「灵活」 |
| 接触点分布均匀性 | 接触点是否均匀分布在物体表面 | 不均匀容易导致局部应力过大 |
| 任务兼容性 | 抓取后是否方便执行后续操作 | 这个最容易被忽略，但实际最重要 |
我个人习惯用最小抵抗外力作为主要指标，因为它直观——你直接知道这个抓取能扛多大的扰动。但注意，这个指标对摩擦系数很敏感，摩擦系数差0.1，结果可能差一倍。
4.4 常用抓取规划算法
好，理论说完了，咱们看看实际怎么算。常用的算法分几类：
4.4.1 基于采样的方法
这是最直观的方法。在物体表面随机采样接触点，然后检查是否满足力封闭条件。我早期做的一个项目，就是用这种方法，在圆柱体表面采样了1000组接触点，最后筛选出20组可行的。
# 伪代码示例：基于采样的抓取规划
def sample_grasp_planning(object_mesh, num_samples=1000):
feasible_grasps = []
for i in range(num_samples):
# 随机选择3个接触点
contacts = random_sample_contacts(object_mesh, 3)
# 检查力封闭
if is_force_closure(contacts):
# 计算质量度量
quality = compute_grasp_quality(contacts)
feasible_grasps.append((contacts, quality))
# 按质量排序
return sorted(feasible_grasps, key=lambda x: x[1], reverse=True)
注意：采样法简单，但效率低。如果物体表面有10000个顶点，你采样1000组，可能只覆盖了很小一部分。我建议用重要性采样——在物体曲率大的地方多采样，因为那里更容易形成稳定抓取。
4.4.2 基于优化的方法
把抓取规划建模成一个优化问题：最小化某个代价函数（比如手指运动距离），同时满足力封闭约束。常用的优化算法有梯度下降、粒子群、遗传算法等。
我记得有一次做精密装配，要求抓取后物体姿态误差小于0.1mm。采样法根本达不到这个精度，最后我用序列二次规划（SQP），把接触点位置作为优化变量，才搞定。
4.4.3 基于学习的方法
最近几年很火。用神经网络直接从点云或图像预测抓取构型。比如GraspNet、6-DoF GraspNet这些。优点是速度快，一次推理只要几十毫秒。缺点是泛化性还不够，换一个没见过的物体，可能就抓不准了。
我个人看法：学习法适合做初筛，优化法做精调。先用网络快速给出几个候选，再用优化方法微调接触点位置，这样既快又准。
4.5 知识体系总览
下面这张图，是我自己总结的抓取规划知识体系。你看一眼，心里就有谱了。
这张图把四个模块串起来了。你从左边开始，先确定抓取构型，然后做封闭性分析，再用质量度量打分，最后用规划算法搜索最优解。每一步都有对应的工具和方法。
我的建议：初学者别急着上复杂算法。先用手动采样+力封闭检查，跑通一个完整的抓取规划流程。等你对「什么样的抓取是好的」有了直觉，再上优化和学习方法。我当年就是这么过来的，踩的坑少很多。
好了，抓取规划的基础就这些。记住：构型是骨架，封闭是底线，度量是标尺，算法是工具。四者缺一不可。
可可精品资料库