TGrasp6D：以任务感知的视觉语言先验与位姿优化实现零样本任务导向6自由度抓取

能否仅凭一张RGB-D图像和一句文字指令，在不训练任务标注抓取数据的情况下，选出符合物体用途的抓取方式，比如切面包时握刀柄、递刀时把刀柄留给对方？

抓得稳只完成了一半。任务导向抓取要求抓取方式与任务匹配，但训练型方法受限于有限的人工标注数据，打分型方法依赖与任务无关的生成器，若生成器从未提出正确区域便无从补救，平面方法则排除了从图像平面外接近的抓取。

GCNGrasp在TaskGrasp数据上传播知识图谱，GraspGPT与FoundationGrasp借助语言模型知识为任务无关生成器的候选打分，GraspMolmo在大规模合成数据上微调视觉语言模型，GraspCoT加入物理属性推理。

TGrasp6D先对物体做掩膜和裁剪，询问视觉语言模型任务需要物体的哪个部位及其在图像中的位置，再让模型给出经过该点的夹爪闭合轴线。借助相机几何把点和线提升到三维，在任务区域周围形成高斯先验。从先验中采样的候选抓取在SE(3)李代数上做优化：通过学习得到的夹爪距离场惩罚与物体点云的碰撞，并奖励闭合区域覆盖任务点的抓取。主实验使用GPT-5.5作为视觉语言模型。

在310个TaskGrasp物体与任务组合上（与标注抓取的IoU不低于0.1即为成功），TGrasp6D成功率94.5%，生成失败率0%，高于FoundationGrasp的73.7%、GCNGrasp的72.1%、GraspMolmo的65.0%、GraspGPT的61.7%和GraspCoT的7.5%，领先20.8个百分点。位姿优化在仅用视觉语言先验（89.4%）的基础上再提高5.1个百分点，位置失败由3.5%降至1.6%，方向失败由3.9%降至0.6%，部位选择错误仍为3.2%。优化前更换模型的结果为GPT-5.5 89.68%、Gemini 3.7 84.19%、Qwen3.5-35B 75.16%，后者对19.7%的输入未能给出结果。在Franka Research 3真机上（5个物体、10个物体任务组合、每组10次），成功93/100次，GraspGPT为41/100，FoundationGrasp为52/100，且每个组合至少成功8次。

仅用单一RGB-D视角，对深度噪声和自遮挡敏感，真机失败多数出现在水壶和喷壶上。方法依赖云端大模型，带来延迟和API费用；一次只处理一个任务区域；优化环节未建模接触力学和闭环修正。失败抓取的方向与位置误差大于训练型基线。真机试验仅覆盖一台机械臂和5个物体。本文为预印本。