具身智能机器人的抓取能力长期存在僵硬和不安全的问题。达摩院开源的AffordDex框架，通过模仿人类动作和识别危险区域，让机器人学会了如何“巧”抓和“稳”抓。这项技术为机器人实现更自然、更安全的灵巧操作提供了新思路，推动了具身智能的发展。
智能速览
AffordDex是一个旨在实现机器人拟人化抓取的开源框架。
该框架通过模仿学习人类手部抓取动作来提升灵巧性。
引入负功能区域分割（NAA）模块，让机器人主动避开危险抓取区域。
采用教师-学生蒸馏框架，让模型在真实世界中表现更佳。
在UniDexGrasp数据集上，AffordDex的抓取成功率和拟人性得分均领先。
精华内容
AffordDex究竟如何让机器人摆脱“僵硬”的刻板印象，实现像人一样聪明又安全的抓取？其核心技术在于两阶段训练框架和关键模块的精妙设计。
安全抓取难题
传统机器人在执行抓取任务时，动作往往显得僵硬且缺乏判断力，有时为了稳固抓取甚至触碰物体的危险或脆弱区域。达摩院的AffordDex框架直面这一挑战，其核心目标是实现“安全拟人抓取”，让机器人的操作不仅成功，更要接近人类的直觉和智慧，做到“抓得起”的同时，更能“抓得巧、抓得稳、抓得像人”。
识别抓取禁区
为了实现安全抓取，AffordDex引入了关键的负功能区域分割（NAA）模块。该模块能够精准识别并定位物体上不应被抓取的“禁区”，比如刀刃或杯口。在强化学习训练过程中，系统会加入相应的惩罚项，迫使机器人在规划抓取动作时主动避开这些危险区域，从而确保了操作的安全性，这是迈向实用化的重要一步。
模拟到现实
如何将在模拟环境中训练出的优秀策略，成功迁移到复杂的真实世界？AffordDex采用了教师-学生蒸馏框架来弥合这一差距。首先，一个能获取模拟器全部真实状态的“教师”模型学习到强大的抓取策略。然后，一个仅依赖视觉图像输入的“学生”模型通过模仿学习，使其在真实视觉感知下也能达到接近“教师”模型的性能，有效解决了模拟与现实的差异问题。
实测性能领先
在权威的UniDexGrasp数据集测试中，AffordDex框架在所有设定下均取得了最高的抓取成功率。不仅如此，其拟人性得分也同样显著领先，这直接证明了其人类运动先验学习的有效性。同时，模型表现出极低的功能分，验证了AffordDex能够精准实现正确的功能抓取，而非简单粗暴地夹取物体。
AffordDex框架的开源，为具身智能领域贡献了一套行之有效的解决方案，让机器人的操作更接近人类的直觉和安全。未来，随着这类技术的成熟，我们或许能看到机器人在更复杂的真实场景中大显身手。机器人离真正融入生活，还有多远？
