点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Junyao Shi等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 MAESTRO 是一种以视觉语言模型（VLM）为核心的模块化机器人框架，通过动态组合感知、规划、控制等专用模块，在无需大规模机器人训练数据的情况 下，实现了超越现有视觉语言动作（VLA）模型的零样本操作性能，同时具备可扩展性、可调试性等优势。 论文链接：https://arxiv.org/pdf/2511.00917 核心架构与关键设计 1. 整体框架 MAESTRO 以VLM编码代理为核心，接收语言指令和场景图像后，动态编写代码组合工具模块，形成程序化策略。框架采用闭环交互机制，在执行过程中持续 监控环境反馈，实时调整代码和动作，构成"感知-动作-学习"的自适应循环。 利用VLM已有的强大通用能力，避免对机器人专属数据的依赖； 通过模块化设计整合机器人领域成熟的专用工具，弥补VLM在低级别操作上的不足； 突破传统模 ...

核心观点 - GraspGen是一个针对机器人6自由度抓取泛化能力不足问题提出的创新框架，通过将抓取生成建模为迭代扩散过程，结合DiffusionTransformer架构和高效判别器，显著提升了抓取生成能力和适应性 [2] - 该框架采用"生成器上训练"策略大幅提升判别器性能，并通过新发布的大规模模拟数据集（含5300万抓取）实现对不同物体和夹具的适配 [2][9] - 在模拟和真实机器人实验中，GraspGen全面超越基线方法，在单物体场景AUC超过基线48%，在clutter场景任务成功率超过Contact-GraspNet 16.9% [10][13] - 真实机器人实验中整体成功率81.3%，远超M2T2（28%）和AnyGrasp（17.6%），尤其在复杂场景优势明显 [19] 核心方法 - 扩散生成器：将6自由度抓取生成建模为SE(3)空间中的扩散过程，采用DDPM模型计算更快、实现更简单 [4] - 平移归一化：通过数据集统计计算归一化系数，避免人工设置或网格搜索的低效 [4] - 对象编码：采用PointTransformerV3作为骨干网络，相比PointNet++减少5.3mm平移误差，提升4%召回率 [4] - 扩散网络：通过10步去噪生成抓取（远少于图像扩散的数百步），训练损失为预测噪声与真实噪声的L2损失 [5] 判别器设计 - 高效评估：复用生成器的对象编码器，内存使用减少21倍 [7] - 生成器上训练：用生成器生成约7K物体×2K抓取/物体的数据集训练判别器，使其AUC达0.947，显著高于仅用离线数据的0.886 [7][16] 模拟数据集 - 覆盖范围：包含三种夹具（每种约1700万抓取）和36366个网格模型 [11] - 生成方式：每个物体采样2K抓取姿态，通过摇晃测试判断成功 [11] 实验结果 - 单物体场景：在ACRONYM数据集上精度-覆盖率曲线AUC超过基线48% [10] - clutter场景：在100个场景×60任务中，任务成功率和抓取成功率均为最优 [13] - 遮挡鲁棒性：混合训练使模型在完整点云和单视图点云输入下均保持高性能 [14] - 多夹具泛化：在Robotiq-2f-140夹具上AUC达0.68873，远超M2T2的0.24265 [17] 局限 - 依赖深度传感和实例分割质量，对立方体物体表现较差 [21] - 训练需约3K GPU小时（NVIDIA V100），计算成本较高 [21]