GraspALL: Adaptive Structural Compensation from Illumination Variation for Robotic Garment Grasping in Any Low-Light Conditions

📄 arXiv: 2603.14789v1 📥 PDF

作者: Haifeng Zhong, Wenshuo Han, Zhouyu Wang, Runyang Feng, Fan Tang, Tong-Yee Lee, Zipei Fan, Ruihai Wu, Yuran Wang, Hao Dong, Hechang Chen, Hyung Jin Chang, Yixing Gao

分类: cs.RO

发布日期: 2026-03-16

💡 一句话要点

GraspALL：通过光照自适应结构补偿实现任意低光照条件下机器人服装抓取

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 机器人抓取 服装抓取 低光照 多模态融合 自适应特征融合

📋 核心要点

  1. 现有方法在低光照下服装抓取鲁棒性差，因为光照变化导致服装结构特征退化，且对非RGB特征的依赖性未被充分考虑。
  2. GraspALL通过将连续光照变化编码为定量参考，自适应地融合RGB和非RGB特征，从而生成光照一致的抓取表示。
  3. 实验结果表明，GraspALL在不同光照条件下，相比基线方法，抓取精度提升了32-44%。

📝 摘要（中文）

在动态变化的光照条件下实现精确的服装抓取对于服务机器人全天候运行至关重要。然而，低光照场景中光照的减少会严重降低服装的结构特征，导致抓取鲁棒性显著下降。现有方法通常利用非RGB模态的光照不变特性来增强RGB特征，但忽略了在不同光照条件下对非RGB特征的不同依赖性，这可能会引入错位的非RGB线索，从而在使用多模态信息时削弱模型对光照变化的适应性。为了解决这个问题，我们提出了GraspALL，一种光照-结构交互补偿模型。GraspALL的创新之处在于将连续的光照变化编码为定量参考，以根据不同的光照强度指导RGB和非RGB模态之间的自适应特征融合，从而生成光照一致的抓取表示。在自建的服装抓取数据集上的实验表明，在不同的光照条件下，GraspALL比基线方法提高了32-44%的抓取精度。

🔬 方法详解

问题定义：论文旨在解决低光照条件下机器人服装抓取精度下降的问题。现有方法主要依赖RGB特征，但在低光照下RGB特征质量差。虽然一些方法利用非RGB模态信息，但它们忽略了不同光照强度下RGB和非RGB特征之间依赖关系的变化，导致特征融合效果不佳，模型对光照变化的适应性不足。

核心思路：论文的核心思路是建立一个光照-结构交互补偿模型，该模型能够根据光照强度自适应地融合RGB和非RGB特征。通过将光照变化编码为定量参考，模型可以动态调整不同模态特征的权重，从而生成光照一致的抓取表示。这种自适应融合策略能够有效利用不同光照条件下的互补信息，提高抓取精度。

技术框架：GraspALL模型包含以下主要模块：1) 光照编码模块：将连续的光照变化编码为定量参考。2) 特征提取模块：分别提取RGB和非RGB模态的特征。3) 自适应特征融合模块：根据光照编码的定量参考，自适应地融合RGB和非RGB特征。4) 抓取预测模块：基于融合后的特征预测抓取位置和方向。整体流程是先进行光照编码和特征提取，然后通过自适应特征融合模块生成光照一致的抓取表示，最后进行抓取预测。

关键创新：GraspALL的关键创新在于提出了光照-结构交互补偿机制，能够根据光照强度自适应地融合RGB和非RGB特征。与现有方法相比，GraspALL能够更好地利用不同光照条件下的互补信息，从而提高抓取精度。现有方法通常采用固定的特征融合策略，忽略了光照变化对特征依赖关系的影响。

关键设计：光照编码模块可以使用一个简单的神经网络或者查找表来实现。自适应特征融合模块可以使用注意力机制或者门控机制来实现，根据光照编码的定量参考，动态调整RGB和非RGB特征的权重。损失函数可以采用交叉熵损失或者回归损失，用于训练抓取预测模块。具体的网络结构和参数设置需要根据具体的数据集和任务进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GraspALL在自建的服装抓取数据集上，相比于基线方法，在不同的光照条件下，抓取精度提升了32-44%。这一显著的提升验证了GraspALL的光照自适应结构补偿机制的有效性，表明其在低光照服装抓取任务中具有优越的性能。

🎯 应用场景

该研究成果可应用于各种服务机器人场景，例如服装整理、仓储物流、家庭服务等。通过提高低光照条件下的服装抓取精度，可以实现服务机器人的全天候运行，提高工作效率和服务质量。未来，该技术还可以扩展到其他物体的抓取任务中，具有广泛的应用前景。

📄 摘要（原文）

Achieving accurate garment grasping under dynamically changing illumination is crucial for all-day operation of service robots.However, the reduced illumination in low-light scenes severely degrades garment structural features, leading to a significant drop in grasping robustness.Existing methods typically enhance RGB features by exploiting the illumination-invariant properties of non-RGB modalities, yet they overlook the varying dependence on non-RGB features under varying lighting conditions, which can introduce misaligned non-RGB cues and thereby weaken the model's adaptability to illumination changes when utilizing multimodal information.To address this problem, we propose GraspALL, an illumination-structure interactive compensation model.The innovation of GraspALL lies in encoding continuous illumination changes into quantitative references to guide adaptive feature fusion between RGB and non-RGB modalities according to varying lighting intensities, thereby generating illumination-consistent grasping representations.Experiments on the self-built garment grasping dataset demonstrate that GraspALL improves grasping accuracy by 32-44% over baselines under diverse illumination conditions.