Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.02747

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.02747 (cs)
[提交于 2025年7月3日 ]

标题: DexVLG:大规模灵活视觉-语言-抓取模型

标题: DexVLG: Dexterous Vision-Language-Grasp Model at Scale

Authors:Jiawei He, Danshi Li, Xinqiang Yu, Zekun Qi, Wenyao Zhang, Jiayi Chen, Zhaoxiang Zhang, Zhizheng Zhang, Li Yi, He Wang
摘要: 随着大型模型的兴起,视觉-语言-动作(VLA)系统正在使机器人能够处理越来越复杂的任务。 然而,由于数据收集的难度,进展主要集中在控制简单的夹爪末端执行器上。 关于使用大型模型进行类人灵巧手的功能性抓取的研究很少。 在本文中,我们引入了 DexVLG,一个大型视觉-语言-抓取模型,用于使用单视角RGBD输入与语言指令对齐的灵巧抓取姿态预测。 为了完成这项工作,我们生成了一个包含1.7亿个灵巧抓取姿态的数据集,这些姿态映射到174,000个物体的语义部分,并配有详细的部件级描述。 这个大规模数据集,名为DexGraspNet 3.0,用于训练一个视觉语言模型和基于流匹配的抓取姿态头部,能够为桌面物体生成与指令对齐的抓取姿态。 为了评估DexVLG的性能,我们创建了基于物理的模拟基准并进行了现实世界实验。 大量测试表明DexVLG具有强大的零样本泛化能力——在模拟中实现了超过76%的零样本执行成功率,并达到了最先进的部件抓取准确率,在现实世界场景中成功实现了部件对齐的抓取。
摘要: As large models gain traction, vision-language-action (VLA) systems are enabling robots to tackle increasingly complex tasks. However, limited by the difficulty of data collection, progress has mainly focused on controlling simple gripper end-effectors. There is little research on functional grasping with large models for human-like dexterous hands. In this paper, we introduce DexVLG, a large Vision-Language-Grasp model for Dexterous grasp pose prediction aligned with language instructions using single-view RGBD input. To accomplish this, we generate a dataset of 170 million dexterous grasp poses mapped to semantic parts across 174,000 objects in simulation, paired with detailed part-level captions. This large-scale dataset, named DexGraspNet 3.0, is used to train a VLM and flow-matching-based pose head capable of producing instruction-aligned grasp poses for tabletop objects. To assess DexVLG's performance, we create benchmarks in physics-based simulations and conduct real-world experiments. Extensive testing demonstrates DexVLG's strong zero-shot generalization capabilities-achieving over 76% zero-shot execution success rate and state-of-the-art part-grasp accuracy in simulation-and successful part-aligned grasps on physical objects in real-world scenarios.
主题: 计算机视觉与模式识别 (cs.CV) ; 机器人技术 (cs.RO)
引用方式: arXiv:2507.02747 [cs.CV]
  (或者 arXiv:2507.02747v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.02747
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Jiawei He [查看电子邮件]
[v1] 星期四, 2025 年 7 月 3 日 16:05:25 UTC (37,134 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.RO

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号