技术摘要：UNCLE-Grasp

问题陈述

在非结构化农业环境中，由于叶片遮挡果实几何形状导致的局部遮挡，机器人草莓采摘面临着显著挑战。这种遮挡会导致点云观测不完整，从而引起几何畸变，导致估计的质心偏移并产生不稳定或无法触及的抓取。现有的具备不确定性感知能力的抓取方法通常仅针对位姿、形状或单个抓取候选者估计不确定性，却未能显式地在多个完成后的物体假设之间聚合抓取可行性。因此，它们缺乏支持物体级“尝试或放弃（attempt-or-abstain）”决策的机制。此外，确定性抓取预测模型在分布偏移下往往会产生校准度较差的置信度分数，导致在重度遮挡场景下的决策非常脆弱。

方法论

本文提出了 UNCLE-Grasp（针对叶片遮挡草莓的确定性感知抓取框架），这是一个集成了学习型形状补全、基于蒙特卡洛（MC）Dropout 的变异性估计、基于物理法则的抓取评估以及风险感知决策的任务适配框架。

1. 流程概述

该框架通过四个主要阶段处理部分遮挡草莓的 RGB-D 观测数据：

1. 感知与预处理： 对 RGB-D 图像进行去噪和分割，以提取检测到的单个部分点云。
2. MC-Dropout 补全与不确定性估计： 使用基于 Transformer 的点云补全网络（PointAttN）重建缺失的几何形状。通过在推理阶段保留 Dropout 层，系统生成 $K$ 个随机补全样本。这些样本之间的变异性作为认识不确定性（epistemic uncertainty）的代理指标。
   • 全局过滤： 平均点级变异性超过阈值（$\delta_{global}$）的草莓将被立即剔除。
3. 抓取生成与过滤： 对于每个剩余的补全样本，抓取生成网络（CGNet）生成候选抓取。这些候选抓取经过三阶段过滤过程：
   • 局部不确定性过滤器： 移除夹爪闭合区域内包含高差异性（跨随机补全样本）点的候选抓取。
   • 几何过滤器： 执行特定任务的约束，包括接近方向（正面接入）、垂直抓取取向以及防止碰撞的夹爪-物体间隙。
4. 风险感知决策 (LCB)： 对于每个补全样本 $k$，将保留的抓取候选者组合成单个抓取力矩空间，以计算力封闭分数 $\epsilon_k$。
   • 系统计算所有 $K$ 个补全样本中这些分数的平均值（$\bar{\epsilon}$）和标准差（$\sigma_\epsilon$）。
   • 计算 置信下界 (Lower Confidence Bound, LCB)：$LCB = \bar{\epsilon} - z_\alpha \sigma_\epsilon$。
   • 参数 $z_\alpha$ 随估计的遮挡水平 $\alpha$ 线性缩放，遮挡程度越高，约束越严格。
   • 决策规则： 仅当 $LCB > 0$ 时，系统才会尝试抓取草莓；否则，选择放弃。

2. 关键技术组件

• 不确定性建模： 该框架使用 MC Dropout 变异性来近似认识不确定性，而非显式地对偶然不确定性（aleatoric uncertainty）进行建模。它并未将这两类不确定性来源进行解耦。
• 力封闭指标： 抓取可行性使用 $\epsilon$ 指标进行评估，该指标定义为包含在抓取力矩空间凸包内的、以原点为中心的最大的球体半径。
• 选择性放弃： 核心决策逻辑优先考虑可靠性而非产量。通过放弃那些在多种可能的补全结果中抓取可行性不一致的目标，系统避免了可能损坏果实或导致失败的冒险尝试。

核心贡献

1. 物体级决策框架： 一种新颖的流水线，将不确定性从随机形状补全传播到抓取过滤和力封闭评估，从而确定是尝试还是推迟抓取。
2. 任务适配集成： 一种结合了全局/局部不确定性过滤、草莓特定几何约束以及 LCB 式可行性评分的方法，且无需重新训练现有的点云补全和抓取生成模型。
3. 受控评估： 在模拟环境和物理机器人上，针对不断增加的合成及真实叶片遮挡水平进行了全面的评估，包括针对形状补全、几何过滤、不确定性感知过滤和物体级放弃的消融研究。

实验结果

该框架在配备 Intel RealSense D435i 相机的 Unitree Z1 机械臂上进行了评估，并使用高保真塑料草莓以确保安全性与可重复性。实验涵盖了从 0% 到约 87.45% 的遮挡水平。

• 仿真性能： 在最高模拟遮挡（87.45%）下，UNCLE-Grasp 将尝试抓取的成功率从 0.780（最强基准：CGNet+几何补全）提升至 0.870。虽然尝试率略低（0.860 对比 0.880），但总成功率（总草莓数中的成功数）从 0.680 提高到了 0.740。
• 物理机器人性能： 在约 87% 的合成遮挡下，UNCLE-Grasp 实现了 0.800 的尝试抓取成功率，显著优于最强基准（0.483）。然而，这伴随着较低的尝试率，反映了系统保守的风险规避特性。
• 真实叶片遮挡： 在真实叶片遮挡（~70%）下，UNCLE-Grasp 将抓取成功率从 0.367（基准）提升至 0.517。
• 消融研究： 结果证实，在严重遮挡下，形状补全带来的收益最大；学习型抓取生成（CGNet）优于基于质心的放置；几何过滤能移除物理上不可行的候选者。然而，只有完整的 UNCLE-Grasp 流水线（结合了不确定性感知选择）才能持续实现最高的条件成功率。

意义与主张

论文声称 UNCLE-Grasp 的主要益处在于通过选择性放弃实现更可靠、具备风险意识的执行。结果表明，在抓取可靠性与采收产量之间存在权衡：通过推迟处理不确定的目标，系统显著降低了失败或损坏果实的概率，即使这会减少总尝试次数。

作者强调，这项工作突出了一个更广泛的风险感知自动化原则：当感知存在歧义时，选择性地放弃比始终行动更具优势。研究指出，当不确定性能够与明确的下游决策（尝试 vs. 放弃）相联系，而不仅仅是作为单纯的感知得分报告时，其价值最为突出。

作者承认了局限性，指出目前的流水线仍处于研究原型阶段，具有较高的计算成本（优化版本每颗草莓约 57.53 秒），且未解决漏检或碰撞感知路径规划的问题。作者明确表示，该系统并不保证任何特定抓取的成功，但能以高置信度表明，尽管存在几何不确定性，至少存在一个可行的抓取方案。作者并非声称其已具备商业化实时部署的条件，而是旨在展示在农业机器人领域中，基于不确定性的选择性执行的可行性。