一句话看懂：针对大型物体双臂抓取往往只能拿到部分点云的现实，alphaXiv 上发表的 PartialBiGrasp 提出用占用网络隐式推断被遮挡区域，再生成并局部优化力封闭抓取对，在 DG16M 测试集上力封闭率为 55.16%，高于基线 DAGDiff 的 22% 左右。
事件核心：发生了什么
这项研究来自论文《PartialBiGrasp: Inferring Hidden Local Geometry for Bimanual Grasping from Partial Views》，2026 年 10 月前后在 alphaXiv 公开。作者关注一个具体场景：椅子、托盘这类大而重的物体，机械臂只能从单个 RGB-D 视角获得稀疏点云，而真正可抓的区域取决于局部厚度、边缘结构和夹爪间隙，这些信息恰恰藏在相机看不见的一侧。
与先重建完整点云再规划的做法不同，PartialBiGrasp 直接在部分点云上工作：用卷积占用网络预测任意三维位置的占用概率，全局编码器找候选抓取区域并生成单臂抓取，力封闭评估器对抓取对联合打分，局部编码器再围绕候选位姿采样微调，避开碰撞并保持接触。目前公开信息显示，主要对比基线 DAGDiff 原本假设完整分割点云，这里被改造成直接使用部分点云训练。
为什么重要
双臂抓取长期受制于“先看全再动手”的假设，但真实产线、仓储和家庭场景中，完整扫描往往耗时或不可行。该工作把问题从重建精度转向局部几何推断，并强调抓取对是“联合稳定”而非两个单臂抓取的简单叠加，这与力封闭的物理条件更一致。对机器人学习社区而言，它提供了一条绕开完整重建的技术路线，也把部分视角下的歧义处理显式纳入优化环节。
对用户/开发者/创作者的影响
对做具身智能和机械臂应用的开发者，这套方法的思路可参考点在于：占用场可作为可查询的几何先验，服务抓取生成与碰撞检测，而不必依赖昂贵的三维重建管线；采样式局部优化也便于接入真实传感器噪声。对关注开源生态的团队，论文配套了代码库 partialbigrasp/codebase，但目前公开信息仅为论文页面，是否可在自有硬件上复现、推理算力开销多大，尚无完整披露。企业采购侧暂不宜据此判断产品化进度。
值得关注的后续
一是看真实机器人评测的细节，包括噪声点云条件下成功率与失败模式；二是看代码库是否持续更新并支持常见机械臂与夹爪；三是看后续工作是否把该方法扩展到移动操作或多视角主动感知。评测数据仅限论文给出的 DG16M 测试划分和仿真条件，不构成跨任务的长期排名。
来源：alphaXiv
