《Frontiers in Robotics and AI》：Grasping like humans: a stacked-fabric grasp localization strategy based on convex structure perception and hierarchical fuzzy decision-making
编辑推荐：
引言：由于堆叠分拣过程中缠结织物具有复杂结构、多变形态和多种可行抓取策略，在此类场景下实现稳定的机器人抓取仍极具挑战性。本研究将堆叠织物抓取任务建模为一个结构感知与多属性决策问题。
方法：提出了一种堆叠织物抓取方法。具体而言，开发了一种基于点云几何特征的凸结构
引言：由于堆叠分拣过程中缠结织物具有复杂结构、多变形态和多种可行抓取策略，在此类场景下实现稳定的机器人抓取仍极具挑战性。本研究将堆叠织物抓取任务建模为一个结构感知与多属性决策问题。
方法：提出了一种堆叠织物抓取方法。具体而言，开发了一种基于点云几何特征的凸结构感知方法，用于从点云数据中提取可操作区域，并基于这些结构生成一组候选抓取位姿。此外，为解决候选位姿难以有效评估的问题，通过模拟人类模糊决策过程，开发了一个分层模糊神经网络（Hierarchical Fuzzy Neural Network），实现了对最优抓取位姿的可解释评估与选择。
结果：在所构建的织物抓取数据集上进行了对比实验。与性能最佳的基线模型相比，所提方法在抓取可行性预测精度、抓取分离有效性及抓取可靠性上分别提升了1.3%、0.3%和0.7%。机器人抓取实验进一步表明，在随机堆叠场景下，该方法达到了93.3%的抓取成功率。
讨论：结果表明，将凸结构感知与分层模糊决策相结合，为堆叠织物抓取中的抓取位姿定位与选择提供了一种有效且可解释的策略。
论文解读文章
1. 研究背景与问题
在家庭服务、医疗护理及工业洗衣等应用场景中，织物的分拣与处理是实现自动化的关键环节。然而，织物具有柔性、易变形且易自遮挡的特性，这使得在复杂场景中进行精确的抓取位姿定位极具挑战性。现有研究主要分为端到端方法和分阶段方法。端到端方法依赖大规模训练数据和昂贵的环境交互，且决策过程缺乏可解释性。分阶段方法虽通过分解子问题缓解了数据依赖，但在堆叠缠结场景中，严重遮挡和形态畸变导致难以稳定提取具有操作意义的关键区域（如衣领、袖口）。此外，在抓取位姿选择阶段，人工设计的规则表达能力有限，而学习型方法多为黑箱模型，缺乏明确的决策机制，难以反映人类抓取的经验与偏好。因此，如何在复杂堆叠场景下实现鲁棒且可解释的抓取位姿定位，成为亟待解决的核心问题。
2. 研究目的与意义
受人类在复杂织物抓取中依赖局部结构感知和经验驱动决策机制的启发，本研究将堆叠织物抓取位姿定位建模为结构感知与模糊决策两个关键过程，旨在提高抓取位姿定位的准确性、鲁棒性和可解释性。其重要意义在于：通过将无固定结构特征、强形态不确定性的抓取问题转化为结构化约束下的多属性决策问题，为实现自动化织物分拣提供了新的有效策略。
3. 关键技术方法
研究人员主要采用了以下关键技术方法：
- •
凸结构感知方法：基于点云几何特征，融合曲率与法向一致性信息，提取织物的凸特征区域，并生成满足结构约束的候选抓取位姿集。
- •
分层模糊神经网络（HFNN）：通过模拟人类模糊决策机制，融合全局场景信息、局部几何特征与位姿参数，学习多个属性（包括抓取可行性、稳定性及分离能力）的隶属度分布，并结合模糊推理实现多属性融合，从而完成最优抓取位姿的可解释评估与选择。
4. 研究结果
4.1 凸特征区域感知与候选位姿生成
研究人员首先对原始点云进行体素降采样和统计滤波预处理。随后，利用主成分分析（PCA）计算局部邻域的曲率，并引入凸性判别准则（通过法向量与中心偏移向量的点积判定）从高曲率点中提取凸特征点。最后，采用基于密度噪声的空间聚类算法（DBSCAN），在联合几何特征空间中对凸特征点进行聚类，得到几何一致的凸特征区域。在此基础上，结合区域几何中心、法向方向及主切向方向，并引入抓取宽度约束，生成了物理可行的候选抓取位姿集。
4.2 基于分层模糊神经网络的最优抓取位姿选择
研究人员将人类专家的决策过程建模为分层多属性决策问题。对于每个候选位姿，网络首先基于局部几何形态形成抓取可行性的初步模糊判断，再结合全局点云表征的整体堆叠状态获得全局约束的模糊评估。最终，通过模糊推理综合抓取可行性、抓取稳定性和单层分离能力三个关键属性的模糊隶属度，实现对候选位姿质量的评价与排序。
4.3 对比实验与消融实验
在所构建的织物抓取数据集上，与性能最佳的基线模型相比，所提方法在抓取可行性预测精度、抓取分离有效性及抓取可靠性上分别提升了1.3%、0.3%和0.7%。
4.4 机器人抓取实验
在随机堆叠场景下的机器人抓取实验中，所提方法达到了93.3%的抓取成功率，验证了其在真实环境中的有效性。
5. 讨论与结论
研究结果表明，将凸结构感知与分层模糊决策相结合，为堆叠织物抓取中的抓取位姿定位与选择提供了一种有效且可解释的策略。该方法通过在复杂缠结状态下提取具有操作意义的凸结构区域，并借助模拟人类经验的模糊推理机制进行多属性综合评价，显著提升了抓取的鲁棒性和可解释性。研究结论指出，这一集成策略能够有效应对堆叠织物场景中的结构复杂性与形态不确定性，为自动化织物分拣系统的实际部署提供了有力支撑。
