GraspFactory

GraspFactory 是一个大型对象中心抓取数据集，包含超过 1.09 亿个 6-DoF 抓取，分别针对 Franka Panda（包含 14,690 个对象）和 Robotiq 2F-85 夹爪（包含 33,710 个对象）。该数据集旨在训练数据密集型模型，并展示了在模拟和现实世界中训练的 GraspFactory 子集上训练的模型的一般化能力。数据集和工具可供下载。

搜集汇总

数据集介绍

构建方式

在机器人抓取领域，几何多样性对模型泛化能力至关重要。GraspFactory数据集通过系统化流程构建：首先从ABC数据集随机选取33,710个几何模型，采用对映点采样法在网格表面生成候选抓取位姿，通过网格简化技术增强可抓取表面覆盖。随后利用自主研发的机器人研究平台进行碰撞检测，最终通过Isaac Sim物理仿真环境对抓取位姿进行扰动测试，筛选出能抵抗外力的稳定抓取。

特点

该数据集显著特征体现在规模与多样性维度：包含1.09亿个六自由度平行夹爪抓取标注，涵盖Franka Panda（14,690物体）与Robotiq 2F-85（33,710物体）两种末端执行器。其几何多样性超越现有数据集，源自ABC数据集百万级高质量CAD模型，覆盖工业场景中复杂几何结构。每个抓取位姿均包含物体坐标系下的变换矩阵与夹爪宽度参数，为数据驱动抓取模型提供丰富监督信号。

使用方法

数据集支持端到端抓取模型训练与评估，用户可通过官方平台获取包含抓取位姿、夹爪宽度及物理仿真结果的标准化数据。在模型训练阶段，可将物体点云与对应抓取位姿作为输入输出对；评估阶段则通过仿真环境验证抓取质量，其物理真实性已通过真实机器人实验验证。研究证明采用该数据集训练的扩散模型在未见物体上展现优异泛化能力，特别适用于复杂几何结构的工业抓取场景。

背景与挑战

背景概述

随着工业自动化对机器人抓取任务需求的日益增长，Autodesk Research团队于2025年发布了GraspFactory数据集。该数据集聚焦于解决机器人抓取模型在面临几何形态多样化的新型物体时的泛化能力不足问题，其核心研究目标是通过大规模高质量数据推动通用抓取模型的发展。GraspFactory包含针对Franka Panda与Robotiq 2F-85夹爪的1.09亿条六自由度抓取标注，覆盖数万件来自ABC数据集的高质量三维模型，显著提升了抓取数据的几何多样性，为工业场景下的机器人操作研究提供了关键基础设施。

当前挑战

在机器人抓取领域，现有数据集受限于语义类别单一与几何多样性不足，导致模型难以适应真实场景中形态各异的物体。GraspFactory构建过程中面临双重挑战：其一需通过物理仿真验证百万级抓取姿态的稳定性，需克服仿真环境与真实物理世界的差异；其二需设计高效采样算法处理海量三维模型，在保证抓取质量的同时优化计算资源分配。这些挑战直接关联到数据驱动的抓取模型在复杂工业环境中的实际部署效果。

常用场景

经典使用场景

在工业机器人抓取研究领域，GraspFactory数据集通过其包含的1.09亿个6自由度抓取姿态，为训练数据密集型抓取模型提供了重要支撑。该数据集特别适用于开发能够处理几何多样性物体的通用抓取算法，其基于ABC数据集构建的3.3万个物体模型覆盖了广泛的几何形态，使得训练出的模型在面对仓库或制造环境中形态各异的物体时展现出卓越的泛化能力。研究人员可利用该数据集训练扩散模型等先进算法，在仿真和真实环境中验证抓取性能。

实际应用

在工业自动化场景中，GraspFactory数据集支撑的抓取模型可直接应用于物流分拣、零件装配等实际任务。通过真实环境测试验证，基于该数据集的模型生成的抓取姿态在UR10e机器人和Robotiq 2F-85夹爪系统上表现出良好的执行可行性。在针对18种不同几何复杂度物体的900多次抓取测试中，模型在多种随机位姿下均保持稳定的抓取成功率，证明了其在真实工业环境中的实用价值，为智能制造系统的柔性抓取提供了可靠技术基础。

衍生相关工作

GraspFactory数据集的发布催生了一系列相关研究工作的发展。基于该数据集训练的SE(3)-DiffusionFields模型在6自由度抓取生成任务中展现出优越性能，启发了后续对扩散模型在机器人抓取中应用的深入探索。该数据集与ABC数据集的结合使用，为几何深度学习与机器人抓取的交叉研究提供了新范式。同时，其大规模的标注数据为研究抓取宽度学习、碰撞避免等子问题提供了丰富素材，推动了抓取生成算法在工业场景中的实际落地进程。