企业官网建设流程全解析

开头先交代一个背景：我在复现多指手抓取相关算法的时候，真正被劝退的不是网络结构，也不是训练过程中的损失函数震荡，而是“评估”这一环。模型跑出来的结果看起来挺好，几根手指都能贴上物体表面，换一个评估脚本之后同一组抓取姿态却跌了二十个百分点。后来我才意识到，多指手抓取领域的评估指标、基准测试和实验分析，比二指夹爪复杂得多，而且大部分公开项目对这部分写得极其简略。这篇就围绕该系列中的“评估指标、基准测试与实验分析”这一章，把我实际跑测过程中积攒下来的理解、踩坑和实验分析思路完整拆开讲。

1. 为什么多指手抓取的评估比二指夹爪难这么多

1.1 二指夹爪那套“成功/失败”逻辑直接搬过来会失真

二指夹爪的评估逻辑其实相当直观：两个指尖从两侧夹住物体，提起来不掉，就算成功。由于接触点少、构型变量少，二指夹爪的指标基本可以收敛到“能否承受额定重力加速度”“夹持方向是否超出摩擦锥”这类物理判断上。很多传统抓取规划项目只要报告一个成功率，读者大概也能脑补出实验环境。

多指手完全不是这个套路。一个高自由度灵巧手的构型空间动辄十几维甚至二十几维，接触来源也不再局限于指腹和指尖，而是可能出现指节接触、手掌接触、多指协同接触又叠加上手内部自碰撞的可能性。这时如果再拿一个笼统的“成功率”往下套，很容易出现两种情况：第一，有些姿态确实让各手指都凑近了物体，但整个手处于极端别扭的关节限位附近，仿真环境里算力闭合成立，现实中稍微一抖就散架；第二，有些姿态表面上看接触面积不错，实际上指尖穿透了物体表面一小截，仿真器因为步长比较大没有检测出碰撞，于是被误标注成成功案例。

所以在多指场景里，评估体系必须先拆出“可执行性”“稳定性”“任务完成度”这几个层次，分别定义清楚，然后再谈怎么聚合分数。我实际处理时通常先把每个抓取姿态记录成结构化的数据，包括各关节角度、接触点集合、穿透深度、力闭合状态等等，后续无论换什么指标口径，都能从原始数据里重新算，而不是只存一个布尔型的成功标记。

1.2 从“能不能抓住”到“抓得有多好”的三个评估层次

我自己习惯把多指手抓取的评估拆成三层。第一层是几何与运动学层，判断这个姿态是否物理可行，包括手与物体是否碰撞、关节是否超限、手指之间是否自碰。第二层是稳定性层，在可行姿态的基础上判断抓取能否抵抗重力、外部扰动和加速度冲击，通常会引入力闭合或者接触质量的量化。第三层是任务层，把一个静态姿态放进真实任务中，看它能否完成搬移、旋转、工具使用等具体目标。

很多公开实验把三层混在一个百分比里，这是对比结果时最头疼的来源。比如某个项目报告“抓取成功率95%”，它的定义可能是“规划器能找到一个没有碰撞的姿态”，这属于第一层；另一个项目报告“抓取成功率90%”，定义却是“末端在受到随机扰动后2秒内物体不掉落”，这已经进入第二层甚至第三层。两者数字差别不大，但含义天差地别。做实验分析之前，第一步要做的不是对拍数字，而是把每一篇实验的成功标准列成一张口径表。

以我复现过的某开源多指抓取框架为例，它的官方实验流程中，一个合格的评估一般包含三组信息：规划成功率（能不能找到有效抓取姿态）、仿真执行成功率（把姿态喂进物理引擎，施加运动轨迹后物体能否保持稳定）、接触质量指标（接触面积、穿透深度、力闭合状态）。如果只看其中一组，很容易得出误导性结论。

2. DexGraspNet的指标拆解：从接触质量到执行成功率

2.1 穿透、覆盖与清除度：三个最容易被忽略的几何指标

多指手抓取的理想状态是手指表面与物体表面贴合，但物理引擎里“贴合”必须转成数学量。【穿透深度】是最直接的负向指标，指的是手部网格侵入物体网格的最大深度或总体积。实际操作中，穿透深度小于1毫米还是小于3毫米，可能决定一个姿态是否被接受。别小看这个阈值，我见过某项目把指尖穿透容忍度从1毫米调到2毫米，整体标称成功率直接上涨五个点。

【接触覆盖比例】描述的是手指与物体接触面在物体表面覆盖的份额。计算方法通常是把物体表面网格上的点进行最近邻查找，统计落在手部碰撞体范围内的点数占比。对于多指手来说，这个指标比简单布尔接触更重要，因为手指数量多，可能出现只靠一两个指尖点接触却“判定稳定”的情况。覆盖比例越高，通常意味着力分散得越好，抓取对姿态波动的鲁棒性也越强。

【清除度】这个词听起来陌生，但本质上是衡量接触贴合质量的。它把接触区域投影到物体表面，计算每个接触点与物体表面之间的距离分布。如果所有接触点都“陷入”物体中，清除度就会呈现负值风险；如果距离太远，又说明手根本没有真正握紧。好的评估脚本需要同时展示正面接触比例与负面穿透深度，而不是只给一个平均距离。

这三个几何指标必须一起看。我通常会在抓取姿态生成后直接渲染接触热力图，把接触点标成红点，穿透区域标成蓝点，一眼就能看出姿态是否在“硬塞”物体表面。对于DexGraspNet这类用可微优化和强化学习生成抓取姿态的算法，几何指标还能反向暴露生成阶段的问题：如果覆盖率很高但穿透也很高，说明生成器过度依赖穿透伪影来凑成功率。

2.2 力闭合与摩擦锥：一个看似严谨但口径不一的稳定性指标

力闭合是抓取稳定性分析中的核心概念，直觉解释就是：不管外力从哪个方向作用，抓取点都能产生足够的摩擦力与法向力来抵抗它，同时不破坏接触。多指手之所以被反复研究，就是因为手指分布可以形成包络状的力闭合结构，而二指夹爪通常只能在有限方向上实现稳定。

理论很漂亮，工程化落地时到处是细节。力闭合的计算依赖摩擦锥模型，摩擦锥通常被近似成多边形棱锥，棱数多少直接影响判定结果。四棱摩擦锥和十六棱摩擦锥相比，前者的保守程度更高，后者更容易判定为“力闭合成立”。此外，摩擦系数设定成0.4还是0.8，结果差异也非常大。很多论文只会写“使用库仑摩擦模型”，却不写锥面离散参数，这给复现者留下了巨大的暗坑。

我的建议是评估文件里必须显式记录三样东西：摩擦系数、摩擦锥棱数、求解器迭代次数。由于不同物理引擎对接触点法线的计算方式不一样，同一个姿态在PyBullet里是力闭合，在MuJoCo里就可能判定失败。DexGraspNet系列的实验通常会在默认参数下给一个成功率，同时附上“摩擦锥简化版”和“完整锥版”的对比表，这才是比较可信的做法。

2.3 执行成功率里的“成功”定义随任务漂移

执行成功率看起来是最好理解的一个指标，实则漂移最多。有些实验把成功定义为“物体在经历一段预定义轨迹后，与目标位置的姿态误差不超过阈值，例如旋转偏差小于5度、平移偏差小于2厘米”。另一些实验则宽松得多，只要物体没从手上掉下来就算成功。同样一批姿态，前者可能只有60%成功率，后者能给到95%。

更讲究一点的实验还会区分“抗扰成功”和“轨迹跟随成功”。抗扰成功是物体静止时从多个随机方向施加脉冲力，观察物体是否保持抓持；轨迹跟随成功则是末端按照预设轨迹运动，物体在加速度冲击下是否稳定。这两类指标都成立，但反映的能力完全不同。我在做实验分析时不建议只报一个综合成功率，应该把静态稳定、轨迹跟随、抗扰动成功分开报告。

对于DexGraspNet的生成结果来说，执行成功率的波动还和目标物体摆放姿态有关。同样一个杯子模型，竖直摆放时手指接触分布均匀，成功率较高；倒扣摆放时没有合适的接触候选，成功率断崖式下降。所以基准测试里特意划分“简单姿态”“中等姿态”“困难姿态”三组是很有必要的。

3. 基准测试的搭建比训练环境更考验工程洁癖

3.1 物体集、手型与困难等级的搭配逻辑

一套可信的基准测试，首先需要一个划分清晰的物体集合。常见的做法是从开源物体模型库中筛选出一批覆盖简单形状、中等复杂形状和复杂非规则外形的模型，越大越好，但没有筛选的模型集会带来两个问题：几何形状极其奇怪的模型会让所有算法都拿低分，失去区分度；过于简单的规则物体又会让所有算法都拿高分，同样没有区分度。

我在搭建基准时会把物体按几何特征打标签，例如对称性、高宽比、表面是否存在凹陷、是否容易被手掌包围等。评估时按标签分层统计，这样不仅能看出算法的整体水平，还能看出它在哪类物体上存在明显短板。比如某算法在轴对称物体上成功率很高，在凹陷深、把手细长的物体上成功率暴跌，如果只报平均分，这类问题就被掩盖了。

手型选择同样关键。四指手和五指手在接触条件上差别很大，手掌大小也直接决定能否形成包络抓取。通常DexGraspNet实验会支持多种手型配置，评估报告里需要明确标注“本次实验采用X自由度配置”。做横向对比时，确保两台算法使用同一手型和同一物体集，否则任何结论都不成立。

除物体和手型外，还有一个容易忽略的对象：初始抓取位姿的采样分布。有些算法对姿态初始化敏感，给一组固定初始位姿效果好，换一组随机初始位姿效果差。基准测试中一般要规定初始姿态是随机均匀采样还是从预定义候选池中提取，并在报告里注明。

3.2 物理参数和随机种子如何悄悄改变结论

我见过太多“算法复现后结果和原论文对不上”的案例，排查半天发现问题根本不在算法，而在物理引擎参数。同样一个抓取姿态，仿真步长设为1/240秒时稳定性好，设为1/60秒时就会出现高频抖动；接触求解迭代次数从10调到50，穿透判定的严格程度完全不同；物体质量从0.1千克调到0.2千克，摩擦要求立刻变化，成功率跟着大幅波动。

这就引出评估实验里最基础的一条纪律：所有物理参数必须固定且写进配置文件。不要小看随机种子，它会影响初始姿态采样、碰撞检测顺序和策略网络探索，不同种子下成功率相差十个点并不稀奇。可信的实验至少要用三个不同的随机种子分别跑完整个评估流程，结果以“均值±标准差”呈现，避免单一运行带来的偶然性。

我在实际操作中还发现，物理参数对DexGraspNet这类可微优化方法比传统采样方法更敏感。其生成过程依赖可微接触计算，修改变量后，优化梯度方向会有明显差异，最终抓取姿态分布都可能改变。因此在定量对比前，必须先做参数敏感性测试，画出每个关键参数在合理范围内对成功率的曲线，确认实验结论不是“只在这个参数点上成立”。

3.3 公平对比基线时最容易出现的双标操作

做基准测试免不了和已有方法对比，这里的“公平”非常考验细节。最常见的双标出现在计算预算上。采样式抓取方法靠大量采样来搜索稳定姿态，如果给它极少的采样次数，而给新方法十二倍时间做优化，新方法赢下来也说明不了什么。

评估时我会为所有方法设置相似的时间预算或相似的计算资源上限，并在报告中标注清楚。另一个双标点在于碰撞过滤规则。有些基线方法生成姿态时原本包含碰撞筛选步骤，但如果评估脚本只在最后统一做穿透检测，没有在生成过程中逐步拦截，基线方法的成功率会被压得特别低。正确的做法是明确“碰撞过滤发生在生成阶段还是评估阶段”，并把该步骤作为公共预处理器统一执行。

还有一个不起眼但很实际的因素：代码实现质量的差异。一个精心调过的官方实现和一个粗糙复现的开源实现对比，即使算法思想相同，效果也能差很多。写对比实验时，我会尽量复跑公开实验脚本，不只依赖论文里的表格数字。老老实实跑一遍基线的过程，通常能发现不少论文里没写的细节，例如特定物体的失败类别、评估脚本中的位置重置方式等。

4. 实验分析：从指标曲线里读懂训练信号

4.1 训练曲线与评估曲线的关系不是线性的

很多人的实验分析是从损失的下降趋势开始讲故事，但在多指抓取任务中，训练损失下降和最终评估成功率提升之间经常不同步。我复现DexGraspNet系列时，早期训练阶段常常出现“损失下降很快，评估成功率却纹丝不动”的状态。原因是初始阶段游戏在快速调整手部位置让它接触物体，但接触质量还很差，物体放上一动就滑脱；损失中包含了大量与表面贴合相关的几何项，这些项在进步，却还没转化为物理稳定性。

等训练到中后期，成功率才开始出现阶梯式上升。这种阶梯性并不是训练不稳定，而是评估时物体被分成不同难度组，模型先学会抓简单物体，再逐步泛化到复杂物体。所以训练曲线上升时，如果评估曲线呈“平台-跳变-平台”形态，先不要急着调参，先检查是不是难度分层导致的涌现式进步。

我自己的经验是每训练一定迭代次数就冻结模型，在固定物体集上完整评估一遍，画出“评估成功率-训练步数”曲线，并同时在曲线下方铺上平均穿透深度、平均接触覆盖率两条辅助曲线。当成功率和穿透深度曲线交叉时，往往就是训练停止的最佳区段；如果穿透深度还在快速增长，就说明模型正在依赖“插入物体表面”这种伪成功来压指标，继续训练会恶化真实稳定性。

4.2 失败案例分类：把“失败”当成一种高价值数据

评估实验最丰富的产出不是那个最终成功率，而是失败案例的分布。我的习惯是把所有失败的抓取姿态导出，按失败原因划分成几类：穿透失败、自碰撞失败、接触不足失败、运动学奇异失败、摆放干扰失败。每一类配上一张渲染图和一个简短标签，放进实验分析章节。

穿透失败说明生成器对表面贴合约束的处理弱，可能需要在损失函数里加大穿透惩罚，或者引入姿态回流过滤。自碰撞失败多发生在高自由度配置，是关节限位约束不足导致的，少部分可以通过后处理修复。接触不足失败常见于细长物体，说明采样姿态的初始范围不够广，需要扩充初始候选。运动学奇异失败则往往出现在腕部自由度不够的场景，提示算法生成的抓取方向与手腕可达方向不一致。

分析失败案例时，我还会把所有失败姿态在同一个可视窗口里翻看。连续翻看几十个姿态后，失败原因的分布会有很直观的视觉印象：如果是同一根手指反复悬空，往往是生成器对那根手指的接触权重太低；如果物体总是在同一方向滑脱，往往和手掌布局及重心位置相关。这种视觉层面的模式，比单纯看统计数据更容易定位问题。

4.3 仿真评估和真实实验之间的那道断崖

指标实验做得再漂亮，最后总绕不开仿真-现实迁移。仿真成功率90%听起来不错，搬到真实硬件上可能掉到50%以下。差距来源通常是摩擦系数不同、物体质量参数不准、位置标定误差、手指控制器带宽不足等。

真实实验需要拆出“规划成功率”和“执行成功率”两组数据。规划成功率是静态姿态生成后的判定，执行成功率是物体在真实抓取流程中最终稳定被提起的比例。执行成功率远低于规划成功率时，问题基本出在控制器或者标定环节，比如手指没有完全到达规划姿态、末端坐标和视觉坐标有偏差、抓取时速度过快导致物体被推偏。

我的做法是在仿真评估中加入域随机化：随机扰动摩擦系数、物体质量和扰动噪声，看成功率波动范围。如果成功率在参数扰动后仍然稳定，再做真实硬件测试时信心会足很多。最终输出实验报告时，至少要有三张图：仿真标准参数下的成功率、仿真随机化参数下的成功率、真实硬件的执行成功率。三张图放在一起，读者才能对算法的上限和短板形成完整认知。

5. 自建评估脚本与复现实验的经验总结

5.1 评估脚本里那些让人抓狂的细节坑

复现多指手抓取评估时，我踩过最狠的一个坑是手部网格和物体网格的坐标系没有对齐。模型输出的是手部基准坐标系下的关节角度，评估脚本要用正向运动学计算指尖位置，任何一个坐标变换矩阵转置错了，手指接触点就全部偏离几厘米，成功率直接变成零。更隐蔽的是mesh units不统一，有的数据用米，有的用厘米，画面看不太出来，碰撞判定全错。

另一个高频坑是物理引擎的睡眠机制。物体从高处落下后可能会进入“休眠”状态，休眠物体的微小位移不会被检测为不稳定，成功率被虚高。评估脚本里应该显式关闭休眠或者设置物体要经历一段持续运动才算稳定，确保抓取质量评估是通过加速度和接触力来判断，而不是简单看物体最终是否静止在同一位置。

还有一个评估结果复现性的坑：随机种子只在脚本开始时设置一次并不够。如果代码内部用了并行采样、哈希集合或者无序遍历，不同机器上结果也会不一样。为了让结果可复现，我会把评估和训练阶段的所有随机源统一固定，并把依赖的第三方库版本记录到配置表里。这样即使过几个月再来跑，也能通过同样参数得到近似结果。

5.2 一套自带“增删查改”的最小实验模板

我目前习惯用一种最小可复现的评估模板组织自己的实验，各模块之间用配置驱动。模板包括五个部分：数据准备模块、场景构建模块、姿态生成模块、指标计算模块和结果导出模块。数据准备模块负责固定物体集和随机种子；场景构建模块设置物理引擎参数、手型和物体初始姿态；姿态生成模块调用目标算法的推理接口；指标计算模块统一计算几何指标、稳定性指标和执行成功率；结果导出模块生成JSON格式完整记录。

这样设计的好处是每换一个算法，只需要替换姿态生成模块的调用函数；每换一组物理参数，只需要改场景构建配置。实际比对多个算法时，我先跑基线，把基线评估结果缓存成JSON文件，再跑新算法，用同一套脚本计算差异，保证所有方法处于绝对相同的评估条件下。这个模板已经帮我在多轮实验中节省了大量重复工作。

在配置里我会专门维护一个“评估口径”字段，内容包括成功判据、扰动强度、摩擦系数、摩擦锥棱数、随机种子和物理引擎版本号。写完每一篇实验分析前，我都会把这个字段原样粘贴到笔记中。别看这个动作简单，它是一切后续对比的前提。没有它，所有成功率数字都只是无法归因的浮点值。

5.3 做横向对比时如何避免“自说自话”

横向对比最容易产生的争议是在算法复杂度不匹配的情况下比较最终指标。我在做多指手抓取算法的横向评测时，会固定输入限制：同样的物体集合、同样的初始姿态数量、同样的最大优化步数、同样的评估脚本。如果某个算法的耗时明显更长，我还额外报告“单位时间成功率”，即每秒能产出的有效抓取数量，而不是只比较最终精度。

为了让结论更有说服力，最后还要把每个算法的失败案例放在一起横向对比，看它们是否失败在同类物体和同类姿态上。如果新算法总的成功率比基线高，但失败案例集中在另一类更难处理的物体上，则可以说明新算法不是单纯靠“多插几条手指接触”来提高分数，而是在某些几何模式下确实更稳。与此同时，我会把每个算法的最优、最差和中间成功率分别列出来，避免只看平均值掩盖个体差异。

5.4 一点个人体会

多指手抓取这个方向，真正拉开研究者差距的地方往往不是模型设计，而是能不能把评估这件事做到让人信服。模型结构可以堆新花样，但指标口径不明确，一切对比都是空中楼阁。我摸索下来的经验是先做好一个严格、可复现的评估脚本，再回头调整算法模型，配合失败案例分析去迭代。过程看似慢，实际上得出的结论反而扎实得多。

如果你正准备复现一套多指抓取算法，我的建议是先不要急着训练，花两到三天把评估脚本和基准测试流程跑通，记录默认配置，再开始算法调优。评估标准定义清楚之后，后续每一步实验迭代的效率都会高很多。我也越来越觉得，真正值得发表的好工作，一定有一张干净、拼得出来的实验报告表，而那张表的背后全是评估层面的细节功夫。