论文导读
麻省理工学院、首尔大学、延世大学等机构提出一套“先看到位置、再靠手感抓稳”的机器人方案。机械臂仍可用视觉把手带到物体附近，但真正接触和收拢手指时，手部策略只读自身关节与驱动反馈，不再依赖物体图像或姿态估计。在包含3028种物体的仿真测试中，论文报告约95%的盲抓成功率，为遮挡、反光或暗处的抓取提供了一种可复用的局部能力。
“闭眼抓”并不是整台机器人都不用眼睛
人伸手拿杯子时，通常先看清杯子在哪，手指碰到杯沿后再微调力度和姿势；不必一直盯着每个接触点。论文借鉴的正是这种分工。上层机械臂可以依赖视觉或其他方法接近目标，下层灵巧手在接触阶段仅凭手自身的运动与驱动状态作反应。因此标题里的“闭眼”限定在抓握控制环节，不能理解为机器人完全不用视觉就能在房间里定位任何物品。
传统抓握常先估计物体形状和精确位置，再规划固定的手指闭合轨迹。如果物体偏了几厘米，或摄像头被手遮住，预设动作就可能抓空。新方法把局部接触当作反馈问题：手指一碰到物体就根据自身状态继续调整，直到达到稳定抓握。方法图把视觉引导的机械臂和不依赖视觉的手部策略分开，并用稳定性评分决定何时让机械臂继续下一步操作。
图：视觉信息服务机械臂接近目标，手部网络用本体状态决定抓取动作。
手怎么知道已经抓稳
团队用强化学习训练手部策略，同时学习一个“抓稳了吗”的评分。它不是在每次抓取前都建立物体三维模型，而是根据手指关节等本体信息判断接触进展。若得分足够，机械臂就能开始抬起、搬运或继续任务。论文报告，该评分与独立的物理稳定性测量有较好对应关系，说明模型至少学到了一部分可用于决策的抓握线索。
这套策略可以与不同机械臂控制器配合。图中的连续画面展示机械手把胶带卷放入盒内、旋动灯泡，以及在不同臂部动作下抓取物品。它们是论文演示的操作案例，说明盲抓手部模块可以嵌入多种任务；并不意味着这张图本身证明每一类任务都有95%的实机成功率。
图：实机连续帧展示抓取后放置物品、接触灯泡和跨控制器操作等案例。
95%数字来自哪里
论文在GraspXL的3028种物体上报告95%的盲抓成功率；动态抓取设置的成功率为92%，对照基线为8%。这些结果来自论文指定的测试条件。另有29种形状、材质不同的日常物品参与实机测试，研究者报告均成功抓取。三千多种物体和29件实物是不同实验规模，不能合并说成“三千多件实物全都抓成”。
物体集合图展示了罐头、玩具、杯子、工具、盒子和软质物品等测试对象。这样的多样性有助于检验手部策略是否只记住某一种形状；但真正进入仓库或家庭，还会遇到叠放、滑动、极轻极重以及不能被挤压的目标，需要更多系统级验证。
图：实机实验中使用的不同形状与材质物品集合。
下一步，让“看得见”与“摸得稳”组合起来
盲抓反射的价值不在于取代摄像头，而在于视觉信息不完整时，给机械手一层局部、快速的自适应能力。分拣线上的反光包装、机器内部狭小空间里的工具，都可能让全程视觉跟踪变得困难。若手部能把接触控制做成可复用技能，机械臂就可以更自由地选择导航与伸手策略。接下来需要验证的不只是抓起的一瞬间，还包括运输中抗扰动、用力安全和与人共享空间时的可靠性。
参考资料
https://arxiv.org/abs/2609.31323
