- 探究物体姿态和形状估计方法是否已足够成熟，能够与**对极抓取采样(antipodal grasp sampling)** 结合，从而在抓取任务中超越**端到端抓取合成(end-to-end grasp synthesis)** 方法
- 背景：近期**编码器-解码器(encoder-decoder)** 和**扩散模型(diffusion-based models)** 在类别无关形状编码和开放集泛化方面取得显著进展，但尚未在抓取应用中进行系统性比较
- 聚焦于**平行夹爪(parallel jaw grippers)**、**7自由度(7-DoF)抓取** 和**单视图RGB(-D)图像输入** 场景，以缩小研究范围
- 采用**模块化方法(modular methods)**：先对场景中所有物体进行**姿态和形状估计(pose and shape estimation)**，然后使用**对极抓取采样(antipodal grasp sampling)** 生成抓取
- 对比方法：实现一种**端到端抓取合成(end-to-end grasp synthesis)** 方法作为基线，与三种模块化方法进行比较
- 两种姿态形状估计方式：基于**编码器-解码器模型(encoder-decoder model)** 和基于**扩散模型(diffusion model)**
- 进一步将单视图物体姿态形状估计与**视觉-语言模型(Vision-Language Model, VLM)** 结合，实现**语言条件抓取(language-conditioned grasps)**，仅需单视图RGB-D图像输入
- **系统性比较**：首次在同一实验设置下，严格对比**模块化方法** 与**端到端方法** 在抓取任务中的性能，发现模块化方法在所有实验中均优于端到端方法
- **能力分析**：模块化方法能够为小物体合成大量抓取，而端到端方法在小物体上完全失效，揭示了两种范式的差异
- **失败模式与运行时间分析**：详细分析了三种模块化方法的失败模式，并指出其有效性依赖于**姿态和形状估计的精度**，且在杂乱场景中存在部分性能退化
- **语言条件抓取新途径**：创新性地将**单视图姿态形状估计** 与**视觉-语言模型** 结合，实现从单视图RGB-D图像生成语言条件抓取，性能与先进基线**LERF-TOGO** 相当
- 证明了**模块化方法(modular methods)** 在抓取任务中优于**端到端方法(end-to-end methods)**，为抓取研究提供了新的范式选择依据
- 揭示了现有物体姿态和形状估计方法的局限性（如杂乱场景下性能下降），为后续改进指明方向
- 开源了三种模块化方法的实现和评估结果，促进社区复现与进一步研究
- 展示了**单视图姿态形状估计与视觉-语言模型的结合** 在语言条件抓取中的潜力，拓展了抓取系统与自然语言交互的能力边界