53 Million Grasps

GraspGen数据集由NVIDIA公司发布，包含超过5300万个抓握数据，用于支持机器人抓握研究。数据集涵盖了多种抓握器和物体的抓握数据，有助于提高机器人在不同环境下的抓握性能。该数据集的发布有助于推动机器人抓握领域的研究，提高机器人在现实环境中的抓握能力。

The GraspGen dataset, released by NVIDIA Corporation, contains over 53 million grasp data samples to support robotic grasping research. The dataset covers grasp data for various grippers and objects, which helps improve the grasping performance of robots across diverse environments. The release of this dataset facilitates the advancement of research in the robotic grasping domain and enhances the real-world grasping capabilities of robots.

搜集汇总

数据集介绍

构建方式

53 Million Grasps数据集的构建过程依托于高保真度的物理仿真技术，通过Isaac Sim平台对36,366个来自Objaverse的3D物体模型进行系统性采样。针对Franka Panda、Robotiq 2F-140和真空吸盘三种末端执行器，采用蒙特卡洛方法为每个物体生成约2,000个6自由度抓取位姿，并通过动态稳定性测试标注成功率标签。特别值得注意的是，该数据集创新性地采用生成器训练策略（On-Generator Training），通过扩散模型首先生成候选抓取位姿，再经物理仿真验证构建判别器训练集，有效解决了传统离线数据集与生成分布不匹配的问题。

使用方法

该数据集主要服务于基于扩散模型的6自由度抓取生成研究，典型使用流程包含三阶段：首先通过条件扩散模型（GraspGen框架）以物体点云为输入生成候选抓取位姿；随后采用轻量化判别器网络对生成位姿进行成功率评分与排序；最终结合运动规划器筛选可行抓取。研究者可通过调整扩散步数（推荐10步）和批采样量（建议≥100）平衡生成质量与效率，针对不同夹具类型需加载对应的归一化参数ζ。数据集特别适用于研究生成-判别协同训练、跨夹具泛化以及局部点云条件下的抓取推理等前沿问题。

背景与挑战

背景概述

53 Million Grasps数据集由NVIDIA的研究团队于2025年发布，旨在推动机器人抓取领域的研究。该数据集包含超过5300万次抓取模拟数据，覆盖多种抓取器和物体类型，是当前规模最大、多样性最丰富的机器人抓取数据集之一。核心研究问题聚焦于六自由度（6-DOF）抓取生成的泛化能力，特别是在不同抓取器形态和复杂场景下的适应性。该数据集通过提供大规模、高质量的抓取样本，显著提升了基于学习的抓取方法的性能，并为抓取生成模型的训练和评估提供了重要基准。

当前挑战

53 Million Grasps数据集面临的挑战主要体现在两个方面：领域问题的复杂性和数据构建的难度。在领域问题方面，6-DOF抓取需要处理高维连续空间中的多模态分布，同时要适应不同抓取器的几何形态和物体形状的多样性。在数据构建过程中，主要挑战包括：1) 大规模抓取模拟的计算成本高昂；2) 确保抓取样本的质量和多样性；3) 处理物体形状和抓取器形态的复杂组合；4) 解决仿真与现实之间的差距（Sim2Real）问题。这些挑战使得构建一个全面且实用的抓取数据集变得异常困难。

常用场景

经典使用场景

在机器人抓取领域，6-DOF抓取生成是一个核心挑战，涉及从点云输入中预测可行的抓取姿态。53 Million Grasps数据集通过提供超过5300万次模拟抓取数据，为基于学习的抓取方法提供了丰富的训练资源。该数据集最经典的使用场景是训练和评估扩散模型（如GraspGen）在单物体和多物体杂乱环境中的抓取生成能力，支持从平行夹爪到吸盘等多种末端执行器的泛化研究。

解决学术问题

该数据集解决了机器人抓取领域三个关键学术问题：一是跨 embodiment 泛化难题，通过涵盖三种不同夹爪类型的数据，支持算法适应不同机械结构；二是部分点云观测下的鲁棒抓取生成，通过大规模合成数据弥补真实数据采集的不足；三是抓取质量评估的可靠性，通过On-Generator训练策略使判别器能有效识别生成模型的错误模式。这些突破显著提升了在FetchBench等基准测试上的性能，将杂乱环境下的抓取成功率提高了16.9%。

实际应用

在实际机器人系统中，该数据集支撑的算法已成功应用于UR10机械臂等真实平台。通过结合SAM2实例分割和FoundationStereo深度估计，实现了81.3%的整体抓取成功率，比现有方法提升28%。典型应用场景包括仓储物流中的箱内分拣、桌面杂乱物体抓取以及货架商品抓取，其中在箱内分拣任务中达到71.4%的成功率，验证了模拟数据到真实场景的有效迁移。

数据集最近研究

最新研究方向

在机器人抓取领域，53 Million Grasps数据集的发布标志着基于扩散模型的6-DOF抓取生成技术取得了重要突破。该数据集通过模拟生成了超过5300万次抓取尝试，涵盖了多种夹爪类型和物体形态，为研究社区提供了丰富的训练资源。前沿研究聚焦于利用扩散变换器架构提升抓取生成的多样性和准确性，同时结合高效的判别器对采样抓取进行评分和筛选。GraspGen框架的创新之处在于提出了在生成器上进行判别器训练的独特方法，显著提升了抓取预测的鲁棒性。这一进展在FetchBench抓取基准测试中达到了最先进的性能，并在真实机器人实验中表现出色，即使面对噪声视觉观测也能保持良好表现。该数据集和方法的发布为机器人抓取领域的研究提供了新的基础，尤其在跨夹爪泛化、复杂场景适应和仿真到现实的迁移等方面具有重要价值。

相关研究论文

• GraspGen: A Diffusion-based Framework for 6-DOF Grasping with On-Generator Training

  NVIDIA · 2025年