真实世界只是训练分布里的一个样本：夹爪抓取的合成数据与域随机化¶

横纵分析法 · Papers 版 — 种子论文 13 篇（2017–2024）

同源索引：灵巧手 · Fabrics + RL｜夹爪装配 · Factory 线

索引原文写「14 篇」。按首次公开时间列出的抓取 / 方法论种子是 13 篇；第 14 的位置更像是把「域随机化」同时算成方法论源头和抓取论文，或把对照工作 QT-Opt / VPG 之一算了进去。下文按 13 篇种子展开，对照工作单独写。

Executive Summary¶

夹爪抓取这条线要解决的问题，比另外两条都更「视觉」：给定一张深度图或点云，立刻给出能抓住未见物体的 6-DoF 夹爪位姿。 它不是端到端 RL 的故事，而是合成数据、解析式抓取度量、以及「仿真图像怎么变成真机图像」的故事。2017 年 3 月，两篇几乎同时出现的论文把空间打开：Tobin 等人的 Domain Randomization 说，随机化纹理和光照，直到真实世界看起来只是另一个样本；Mahler 等人的 Dex-Net 2.0 说，670 万条合成深度点云配解析鲁棒性度量，抓取学习可以整个搬进仿真。

之后七年裂成三支。一支把翻译器做在像素上（GraspGAN、RCAN）；一支把抓取表示从平面 4-DoF 推到 6-DoF，再推到接触点、体素、隐式场（6-DOF GraspNet、VGN、Contact-GraspNet、GIGA、M2T2）；一支反过来，用真机 RGB-D 海量标注建立评测协议（GraspNet-1Billion），再在这份协议上把时序和重心做进去（AnyGrasp），最后发现稠密监督本身才是训练开销（EconomicGrasp）。NVIDIA Seattle 是 6-DoF 仿真数据这一支的主场；上海交大卢策吾组是真机基准这一支的主场；Google / DeepMind 和牛津是域适应这一支的主场。

当前格局里，6-DoF 抓取检测已经是工程可用的模块（AnyGrasp 清箱 93.3%，约 900 MPPH），但主方法停在编译 SDK 或封闭权重，开源替代（Contact-GraspNet、GSNet、EconomicGrasp）在 GraspNet 协议上继续抠 AP。和另外两条线比，这条线最早成熟，也最早碰到自己的天花板：抓取位姿对了，并不等于后面的装配或灵巧操作对了。它给 Factory 和 DextrAH 提供过感知前端，自己却没有长成策略。

2017 年春天，两扇门同时打开¶

在此之前，抓取学习的默认方案是：在真机上采，或者在仿真里用看起来尽量像真的渲染。前者贵，后者一过摄像头就崩。2017 年 3 月的两篇论文分别拒绝了这两个默认。

随机化，而不是逼真¶

Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World（arXiv:1703.06907，IROS 2017；Tobin、Fong、Zaremba、Abbeel）的实验对象其实只是物体定位，抓取只是下游演示。但它把一句后来被用滥的话写进了标题级主张：随机化仿真里的纹理、光照、相机位姿，模型就会把真机图像当成训练分布的一次抽样。他们用非写实的随机纹理，把真机定位做到 1.5 cm，并能在杂乱里抓。这不是抓取网络论文，是整棵 sim-to-real 树的方法论根。Factory 线和灵巧手线后来用的 ADR、外观随机化、渲染随机化，都是这句话的子孙。

它关闭的假设是「仿真必须 photorealistic」。打开的假设是「分布覆盖比单一样本逼真更重要」。这个假设在低层几何任务上成立得很好，在需要读品牌、读文字、读透明物体的任务上后来反复被打脸——那正是域适应分支存在的理由。

解析度量，而不是真机成功标签¶

同一周的 Dex-Net 2.0（arXiv:1703.09312，RSS 2017；Mahler、Goldberg）走另一条路。670 万条合成点云，抓取质量不靠真机试抓，靠解析式鲁棒性度量（力封闭、对扰动的敏感度）。GQ-CNN 从深度图预测平面抓取（位置、角度、深度）的成功概率。ABB YuMi 上 1000+ trial：已知的 8 个对抗几何物体 93%，0.8 秒出方案，比先做物体配准再抓快 3 倍。代码和权重公开，这为后面整条开源抓取生态定了调。

Dex-Net 关闭的假设是「抓取标签必须来自物理成功」。打开的假设是「解析度量 + 大规模合成几何 ≈ 真机成功」。这个假设在刚性、不透明、桌面物体上极度好用；在柔性、透明、严重遮挡上会系统性偏乐观。GraspNet-1Billion 后来用真机图像 + 解析评估做了一个折中：图像是真的，标签仍然是算出来的。

2017 年 3 月因此不是一条线的起点，是一个问题空间被两把钥匙同时打开：一把开视觉域，一把开抓取标签。后面所有种子论文都是在选钥匙、换锁芯。

域适应：翻译器派的两年¶

随机化有一个浪费：模型容量花在「无视那些永远不会在真机出现的纹理」上。域适应的回答是，做一个翻译器，让仿真和真机在某个空间里重逢。

GraspGAN（arXiv:1709.07857，ICRA 2018；Bousmalis、Levine、Vanhoucke）把仿真图翻成真机风格。超过 25,000 次真机试抓。合成数据 + 域适应最多把达到同等性能所需的真机样本降 50 倍；只用未标注真机数据 + GraspGAN，性能接近用 939,777 条标注真机样本训出来的系统。这是「真机数据很贵，但可以少要」的量化起源。

RCAN（arXiv:1812.07252，CVPR 2019；James、Levine、Bousmalis）把翻译方向反过来：随机化仿真图和真机图都映到同一个规范仿真域，策略只在规范域上训。零真机数据时，闭环抓取 70%，几乎是纯域随机化的两倍；再加 5,000 次真机试抓微调到 91%，对标用 580,000 次真机抓取训出来的系统，真机数据少 99% 以上。

两篇翻译器论文还有一个被后来仿真 6-DoF 方法悄悄继承的设定：它们的下游是闭环策略，不是一次性检测。GraspGAN 和 RCAN 训的是从图像到动作的 agent，所以「过域」必须在控制回路里成立。6-DOF GraspNet 之后主线改成开环检测 + 运动规划，过域的压力立刻小了——检测错了可以再检一次，策略错了会把桌子扫了。这也能解释翻译器为什么退出抓取检测：问题被重新形式化成了「出一堆位姿」，不是「一直看、一直动」。灵巧手线 2024 年重新变成闭环策略，翻译器的精神以 tiled rendering 的形式回来，不是偶然。

RCAN 是这支的高潮，也是尾声。2019 年之后，像素翻译不再是抓取主线的核心论文。不是因为它错了，是因为 6-DoF 点云方法发现：深度 / 点云的域间隙比 RGB 小一个数量级，做几何比做外观翻译更划算。翻译器派的遗产进了灵巧手线的 tiled rendering 和 DextrAH-RGB，而不是继续留在夹爪抓取检测里。

从打分一张平面抓取，到一次前向出满桌 6-DoF¶

采样完整位姿，再迭代精修¶

6-DOF GraspNet（arXiv:1905.10520，ICCV 2019；Mousavian、Eppner、Fox）是 NVIDIA Seattle 抓取线的开门之作。VAE 在观测点云上采样 6-DoF 位姿，再由评价网络打分并迭代精修。纯仿真训练，真机 88%。它把问题从 Dex-Net 的「桌面 4-DoF 打分」升级成「物体周围的完整 SE(3)」。代价是流水线变长：采样、评价、精修、碰撞检查，闭环吃力。

ACRONYM（arXiv:2011.09584，ICRA 2021；同一作者三人组）是给这套方法的汽油。8,872 物体、262 类、1,770 万次仿真抓取，物理仿真出成功标签。他们用它重训两个 SOTA 抓取网络，性能相对原小数据集显著上升。数据比新网络更重要——这句话在 2020 年的抓取领域，是被实验撑住的，不是口号。ACRONYM 此后成为仿真 6-DoF 方法的公共训练底座，地位类似 OXE 之于 VLA。

把 6-DoF 锚回能看见的点¶

流水线太长的问题，2021 年被三篇论文从三个表示同时打。

VGN（arXiv:2101.01132，CoRL 2020；Breyer、Siegwart、Nieto）吃 TSDF 体素，3D 全卷积一次出整个工作空间的质量、方向、开口，约 10 ms，清杂乱 92%，不显式做碰撞检查。它把抓取检测变成稠密 3D 预测，第一次让闭环在算力上说得通。

Contact-GraspNet（arXiv:2103.14127，ICRA 2021；Sundermeyer、Mousavian、Triebel、Fox）把完整 6-DoF 降到「接触点上的 4-DoF」：点云里的点就是潜在接触，位姿和开口从这一点长出来。17M 仿真抓取训练，结构化杂乱里未见物体超过 90%，失败率相对前代 SOTA 减半。这是开源 6-DoF 里后来被用得最多的一个——因为它又快、又锚在观测上、又放了代码和权重。

GIGA（arXiv:2104.01542，RSS 2021；Jiang、Zhu）说抓取 affordance 和 3D 占据重建是同一件事：都要局部几何。隐式场共享特征做多任务，单视角遮挡被重建支路补上，相对 baseline 成功率 +10% 以上。它是这条线里最「表示学习」的一篇，也是后来 implicit grasping 的种子。

三篇 2021 年论文共同关闭的假设是「6-DoF 必须先采样再打分」。打开的是「一次前向、稠密、和观测对齐的抓取场」。闭环抓取从这里开始变成默认，而不是附录。

真机图像的反向路线¶

仿真派正把标签和表示做漂亮的时候，GraspNet-1Billion（预印本 arXiv:1912.13470，CVPR 2020；Fang、Wang、Gou、Lu）走了反向。网站口径：190 个杂乱场景、两台 RGB-D（Kinect Azure + RealSense D435）、97,280 张图、88 个物体、超过 11 亿条抓取。预印本摘要写的是 87,040 张、3.7 亿条——公开数据集在投稿后继续长大，引用时以 graspnet.net 的 97,280 / 1.1B 为准。标签不是人标 11 亿个位姿，是物体 6D 位姿标准之后，用解析力封闭自动长出稠密抓取。评测协议因此可以接受任何方法的输出，不必和某一种参数化对齐。

评测协议本身值得拆开。AP 不是真机试抓平均，是：对每个场景取 top-k 预测，用物体 mesh 和力封闭在一组摩擦系数 μ 上判定成功，再对 k 和 μ 取平均。它的好处是任何参数化都能投，不必和 Dex-Net 的 4-DoF 对齐；坏处是分数和「这个深度相机今天的噪声」无关——评测用的是数据集里的点云，不是你的相机。论文声称和真机实验对齐，AnyGrasp 后来用 93.3% 清箱给了一个真机锚点。但 Novel 物体 AP 长期停在 20 左右（EconomicGrasp RealSense Novel 25.48），说明协议对未见几何仍然很硬，也说明刷 Seen AP 和刷真机清箱可以不是同一件事。

这是抓取领域的 ImageNet 时刻。它改变的不是算法，是什么叫赢。此后开源方法如果不报 GraspNet AP，审稿人会追问。AnyGrasp 和 EconomicGrasp 都活在这套协议上。它也带来一个微妙的偏差：解析力封闭定义的「好抓取」，和真机上「抓起来还能做下一件事」不是同一分布。清箱成功率可以很高，功能抓取仍然差。

时序、重心、以及把开源收进 SDK¶

AnyGrasp（arXiv:2212.08333，T-RO 2023；Fang、Lu）是 GraspNet 组把自己的基准吃满之后的系统论文。稠密监督 + 真机感知 + 解析标签，加上重心感知和跨帧抓取对应，输出 7-DoF（含开口）且时序平滑的稠密抓取，声称对深度噪声稳健。清箱：300+ 未见物体，93.3%，对照人类受试者 93.9%；单臂约 900 MPPH；动态演示是抓水里的机器鱼。工程上它赢了。开源上它退了：放出的是编译 SDK，不是训练代码和可复现权重。索引把 CODE / WEIGHTS 划掉，这是整条抓取线最大的生态裂痕——基准是开的，最强系统是关的。

M2T2（arXiv:2311.00926，CoRL 2023；Yuan、Murali、Mousavian、Fox）是 NVIDIA 侧对「抓完要放」的回答。多任务 masked transformer，抓和放都变成接触区域分割：一个模型同时出抓取位姿和朝向感知的放置位姿。它没有去刷 GraspNet AP 竞赛，而是把抓取检测重新嵌回操作。这是种子里最接近 Factory 线的一篇：物体中心、接触区域、放置，已经是装配的前夜。但它停在 pick-and-place，没有进间隙配合。

稠密监督是成本，不是精度的朋友¶

EconomicGrasp（arXiv:2407.08366，ECCV 2024；Wu、Zheng）对着 AnyGrasp 以来的默认开刀：SOTA 之所以又慢又难收敛，是因为把所有稠密标签都喂进去，其中大量标签互相矛盾。他们做监督选择，留下低歧义的关键标签，再配 focal representation 只盯一个抓取。GraspNet 上平均约 +3 AP，训练时间约 1/4，显存约 1/8，存储约 1/30（索引写的 55 GB → 1.6 GB 与 1/30 合量级）。Kinect 上 Seen / Similar / Novel AP 为 62.59 / 51.73 / 19.54，RealSense 上 68.21 / 61.19 / 25.48。Novel 仍然很低——经济监督没有解决泛化，只解决了训练账单。

AnyGrasp 的 900 MPPH 和人类 93.9% 对照，是这条线最接近「产品指标」的两句话。MPPH 把检测、规划、运动、掉落全算进去，比 AP 诚实。人类对照在受控条件下，物体种类人类更熟，机器对「任意未见」更公平——作者自己写了这句。动态抓鱼是展示时序跟踪，不是主表。真正改变生态的是 SDK 策略：研究组可以在 GraspNet 上发论文，工厂可以直接买检测器，中间那层「可复现的最强开源」被抽空了。Contact-GraspNet 填过这个坑，但 2021 年的网络对 2023 年的 SDK 没有系统级对照。

到 2024 年，这条线的主问题已经从「有没有数据、6-DoF 能不能一次出」变成「标签要多密、开源还能不能跟上闭源 SDK」。没有下一篇种子把抓取检测重新定义成策略问题。空间被让给了 VLA、WAM 和另外两条 NVIDIA 线。

2017.03 DR          视觉域：随机化 > 逼真
2017.03 Dex-Net 2.0 标签域：解析度量 + 670 万合成
   |                      \
2017–18 GraspGAN/RCAN      \  像素翻译（此后淡出抓取主线）
   |
2019 6-DOF GraspNet    SE(3) 采样 + 精修
2019 GraspNet-1Billion 真机基准（反向）
2020 ACRONYM           仿真 6-DoF 公共底座
2021 VGN / Contact-GraspNet / GIGA
                       一次前向的三种表示
2022 AnyGrasp          时序 + 重心，93.3%，SDK
2023 M2T2              抓和放统一成接触分割
2024 EconomicGrasp     稠密监督是瓶颈

三条支流，四次选择¶

和 Factory、Fabrics 不同，这条线从第一天就不是一个实验室。横向必须按问题怎么被形式化来分，不能按公司分。

标签从哪来：解析、仿真物理，还是真机试抓¶

Dex-Net / GraspNet / AnyGrasp / EconomicGrasp 站解析。ACRONYM / 6-DOF GraspNet / Contact-GraspNet 站仿真物理。GraspGAN / RCAN 的策略侧，以及对照 QT-Opt / VPG，站真机试抓。

解析最便宜、最密、最容易和评测协议对齐；它假设刚体、已知摩擦、力封闭 ≈ 成功。仿真物理更贵一点，能看到动态滑脱，但接触模型仍然是假的。真机试抓最真，贵到只有 Google 那种规模能玩 QT-Opt。

证据并不对称。Dex-Net 93%、Contact-GraspNet 90%、AnyGrasp 93.3% 都是在「抓起来算赢」的协议上。换成功能抓取（抓把手、抓工具工作端），解析标签的优势会缩小——M2T2 已经在用接触区域补朝向，等于承认力封闭不够。我的 take：对平行夹爪清箱，解析标签已经够用；对要交给 Factory 或 DextrAH 的下游，标签必须带任务。种子论文几乎没做这个迁移实验。

表示：平面、SE(3) 采样、接触点、体素、隐式场¶

Dex-Net 是平面 4-DoF。6-DOF GraspNet 是 SE(3) 采样。Contact-GraspNet 是接触点 4-DoF。VGN 是体素场。GIGA 是隐式场。AnyGrasp 是时序稠密 7-DoF。M2T2 是分割。

2021 年之后，接触点 / 稠密场赢了采样流水线。不是因为采样更差，是因为闭环延迟和工程复杂度。VGN 的 10 ms 和 Contact-GraspNet 的单次前向，把「先检测再规划」变成「每帧都能重想」。这和灵巧手线用 fabric 换安全、装配线用 PLAI 换稳态，是同一类工程直觉：把不稳定的开环环节收成高频闭环。

隐式场没有成为主流部署。GIGA 的 +10% 在论文设定里成立，社区复现和工业集成仍以点云 CNN / transformer 为主。EconomicGrasp 证明表示还可以再薄：与其预测所有抓取，不如预测一个对的。

过域：随机化、翻译，还是直接用深度¶

RGB 抓取必须过域，所以有 DR / GraspGAN / RCAN。深度 / 点云抓取往往号称「仿真直接零样本」，6-DOF GraspNet、Contact-GraspNet、VGN 都这么做。GraspNet-1Billion 更绝：训练数据直接是真机图像。

2019 年之后主线选了第三条和第四条，翻译器退出。这个选择有混淆因素：深度域间隙确实更小，但深度相机自己就是一个脆弱传感器——透明、黑、反光、太阳。AnyGrasp 花了篇幅讲深度噪声鲁棒，DextrAH-RGB 则选择放弃深度。夹爪抓取线至今没有一篇种子论文把「纯 RGB 6-DoF 检测」做成开源 SOTA。这是和灵巧手线 2024–2025 最大的分叉：一边在删深度，一边还把深度当默认。

开源协议 vs 闭源系统¶

GraspNet 协议是开的，AnyGrasp 系统是关的。Contact-GraspNet、ACRONYM、EconomicGrasp、VGN、GIGA 是开的。这个裂痕决定了学术引用和图谱：论文比 AP，产线买 SDK。EconomicGrasp +3 AP 赢的是开源对手；它有没有赢 SDK，表上读不出来。

和灵巧手线「有代码无权重」不同，抓取线的开源部分是真的能跑。扩散慢的不是配方，是最强配方被收进产品。这是成熟领域的典型形态，也是这条线被判「2024 年之后不再出种子」的原因之一：开源侧进入抠分，闭源侧进入销售。

对照：QT-Opt 和 VPG 为什么不算 sim-to-real¶

索引点名的 QT-Opt（CoRL 2018）和 VPG（IROS 2018）是真机自采 RL，没有仿真训练成分。它们证明：如果你有足够的真机试抓，可以不走合成数据。GraspGAN 把「足够」量化成了几十万到上百万。RCAN 把「足够」压到 5,000。QT-Opt 路线没有输，它只是贵。2026 年的 SPARR 从装配侧重新靠近它——真机学习又回来了，但必须站在仿真先验上。抓取线自己没有做这个回头。

设计空间地图¶

工作	标签	表示	过域方式	开源	真机 / 基准主数字
Domain Randomization	定位标签	检测框	随机化 RGB	论文	1.5 cm
Dex-Net 2.0	解析度量	平面 4-DoF	合成深度	代码+权重	93% / 8 物体
GraspGAN	真机 + 仿真	RGB 策略	仿真→真机翻译	—	真机样本最多 ÷50
RCAN	仿真	RGB 策略	双边→规范域	—	70% 零样本 / 91% +5k
6-DOF GraspNet	仿真	SE(3) VAE	深度零样本	代码+权重	88%
GraspNet-1Billion	真机图 + 解析	稠密 6-DoF 协议	直接真机	数据+评测	97,280 图 / 1.1B
ACRONYM	仿真物理	供下游训	深度	数据	8,872 物 / 17.7M
VGN	仿真	TSDF 体素场	深度	代码+权重	10 ms，清箱 92%
Contact-GraspNet	仿真 17M	接触点 4-DoF	深度	代码+权重	>90%
GIGA	仿真	隐式场多任务	深度	代码+权重	+10% vs baseline
AnyGrasp	真机+解析	时序 7-DoF	真机深度	SDK	93.3%，~900 MPPH
M2T2	仿真 / 操作数据	接触分割	点云	代码+权重	抓+放统一
EconomicGrasp	GraspNet 稠密子集	focal 单抓取	真机基准	代码+权重	+3 AP，账单 ÷4–30

玩家聚类：NVIDIA Seattle（Mousavian / Eppner / Fox / Sundermeyer / Yuan）占据仿真 6-DoF 和 ACRONYM；SJTU（Fang / Lu）占据真机基准和 AnyGrasp；Google Brain（Bousmalis / Levine / James）占据翻译器，2019 年后撤离；Berkeley AUTOLab（Mahler / Goldberg）提供 2017 年的解析标签原教旨；ETH（Breyer）提供体素闭环；中山大学 iSEE（Wu / Zheng）在 2024 年做开源侧的成本修正。没有一个玩家同时占据「最强系统」和「最开协议」，这是这条线不同于 Factory、也不同于 DextrAH 的政治结构。

抓取检测已经够用，所以它不再是主问题¶

成熟度：mature optimization，局部已经商品化。AnyGrasp 的人类对照 93.3% vs 93.9% 是成熟标志；EconomicGrasp 开始抠训练账单是成熟标志；2019 年后翻译器退出、2024 年后没有新的种子问题定义，也是成熟标志。

还开着的问题反而都在边界外：

功能抓取 / 任务条件抓取。 抓「能插进孔的那个朝向」，不是抓「力封闭最高的那个」。M2T2 开了一条缝，没走完。Factory 和 ADEPT 都在自己的策略里重新学抓，说明它们不信任现成检测器的朝向。
RGB-only 开源 6-DoF。 深度默认一天不改，透明物体和户外就一天是事故。
评测和下游错位。 GraspNet AP 和清箱 SR 可以同时很高，装配成功率仍然低。需要一个「抓了之后要做什么」的协议。
闭源 SOTA 对研究的虹吸。 新方法如果不能合法对比 AnyGrasp SDK，只能在开源子集里报 +3 AP，审稿和工业都越来越不在乎。

1–2 年轨迹：

作为模块，抓取检测会沉到系统论文的相关工作里，而不是标题里（高）。VLA、WAM、DextrAH、Factory 都已经这样用它，或干脆绕开它用端到端策略。
EconomicGrasp 式的稀疏监督会被默认（中）。账单数字太具体，跟着 GraspNet 协议走的人没有理由继续存 55 GB 标签。
新的主问题会是「语言 / 功能条件的抓取」而不是「再高 2 个 AP」（中）。这需要新基准，GraspNet-1Billion 不会自然长出语言标注。
翻译器派会在 RGB 灵巧策略里复活，而不是在夹爪检测里复活（高）。DextrAH-RGB 已经在做这件事。

和另外两条线的接口，实际比引用图谱显示的更松。Factory / IndustReal 的感知是自己的 2D 位姿估计，不是 GraspNet 检测器。DextrAH 从像素直接出动作，把抓取检测整个绕开。M2T2 是种子里唯一认真把「放」和「抓」写成一个模型的，却既没有变成装配前端，也没有变成灵巧手的 teacher。我的 take：抓取检测作为模块已经够好，好到下游系统懒得集成它——端到端策略自己学抓，代价是每个下游都要重新付一份仿真账单。EconomicGrasp 降低的是检测器的训练账单，降低不了这份重复账单。

对 13 篇种子的评价：它们把平行夹爪抓取从「要不要仿真」推到「检测模块可以买」，覆盖了方法论（DR、DA）、数据（Dex-Net、ACRONYM、GraspNet）、表示（6-DoF 全家）和成本（EconomicGrasp）。完全没覆盖的是多指抓取、力闭合之后的操作、以及任何端到端策略。另外两条线不是它的延续，是它把感知做完之后，控制问题重新变得可见。

那套共用的工程语言，在这里分别指什么¶

GPU 并行仿真对抓取线是最弱的那一句话。Dex-Net 和 ACRONYM 的「大规模」是离线渲染和离线物理试抓，可以在 CPU 集群上跑一夜，不必 Isaac Gym。VGN 的 10 ms 是推理延迟，不是训练并行。2021 年之后没人靠「更多并行环境」刷出新的抓取检测 SOTA。这句话是另外两条线的身份证，在这里只是远亲。

域随机化反而是这条线贡献给另外两条的遗产。Tobin 2017 的那句话——真实世界只是训练分布里的一个样本——被 DeXtreme 的 ADR、DextrAH-RGB 的照片级随机化、Factory 的位姿噪声反复引用。抓取线自己反而在 2019 年之后越来越少用它：深度点云的域间隙小，GraspNet 直接用真机图，翻译器派退出。贡献者和使用者不是同一批论文。

特权蒸馏几乎不出现。GQ-CNN、Contact-GraspNet、AnyGrasp 都是监督学习，标签是解析度量或仿真成功，没有「上帝视角 teacher」。RCAN / GraspGAN 的 agent 更接近另外两条的策略，所以它们才需要翻译器。M2T2 用 transformer 做多任务，仍是监督分割，不是 RL 蒸馏。

翻译成方言：并行的是离线标签工厂，随机化是方法论出口而不是本线主粮，蒸馏基本缺席。 把抓取线和另外两条收进同一张「sim-to-real 工程语言」表里，容易造成一种错觉：它们在做同一种系统。它们不是。抓取线做的是可插拔检测模块；另外两条做的是闭环策略。模块成熟得更早，也更早停止生长。

收尾¶

把这条线读成「抓取网络一年比一年准」会错过它真正改变的东西：2017 年之后，抓取不再是必须上真机才能研究的问题。随机化解决了图像，解析度量解决了标签，GraspNet 解决了分数，AnyGrasp 解决了能不能卖。剩下的分数在 Novel 物体、在功能朝向、在 RGB、在开源。这些分数值得抠，但不该再占用「机器人学习下一代是什么」的带宽。另外两条线已经把问题换成了安全动作空间和亚毫米接触；夹爪抓取是它们共用的、几乎被做完的前置模块。