TL;DR

在开放桌面上抓取瓶水很容易，但在塞满东西的冰箱深处抓取一个梨则难如登天。SpaceDex 是一套全新的层级化 VLA（Vision-Language-Action）框架，它通过 VLM 的多视角推理和“臂-手特征分离”技术，首次让 15 个自由度的灵巧手在狭窄、有遮挡的货架空间内实现了高成功率（63%）的通用抓取。

背景定位

目前大多数灵巧操作的研究都处于“无忧无虑”的实验阶段——目标物放在空旷平面的正中央，机械臂可以随意挥舞。然而，工业仓储和家庭服务的真实场景往往是分层、狭窄、且充满遮挡的。SpaceDex 的出现，标志着灵巧操作正从“视觉对齐”转向“空间感知与受限规划”。

痛点深挖：为什么货架抓取这么难？

1. 单视角盲区：在货架中，机械臂自身或货架框架常会挡住主摄像头。
2. 特征干扰 (Feature Interference)：如果用同一个神经网络特征既控制“大手臂”避开架子，又控制“小手指”接触物体，强烈的位移信号往往会掩盖精细的角度调整。
3. 视觉失效：当手部接近物体时，视觉不再可靠，此时缺乏触觉感知的策略极易导致物体滑脱。

核心方法：层级化空间规划

1. 具有“层级意识”的高层规划器

SpaceDex 调用了多个视角的相机（左、前、右），配合 VLM (Qwen2.5-VL) 进行并行查询。模型会判断哪一个视角的置信度最高（避开了遮挡），并生成目标物体的 Bounding Box，随后通过 SAM 进行分割和实时 Mask 跟踪。

2. 臂-手特征分离网络 (The Core)

这是本文最具启发性的改进。作者在 DiT (Diffusion Transformer) 主干网络中强行拆分了两个流：

• Arm Stream：负责全局 3D 空间内的避障导航。
• Hand Stream：专注于局部几何匹配和接触力优化。

这种设计避免了宏观运动信号对微观操作信号的“特征压制”。

3. 多模态触觉闭环

在该框架中，指尖的触觉不再是摆设，而是被简化为 5 维力强度向量，强制嵌入到扩散策略的 Condition 空间中。这使得机器人在视觉被完全遮挡的情况下，依然能根据指尖传来的压力实时修正抓取姿态。

实验与结果：硬碰硬的实战

研究团队在包含刚体、圆柱体、球体、易变形物体四种类型的 30 多种物体上进行了测试。相比于目前主流的基线模型 DexGraspVLA，SpaceDex 展现了碾压式的优势。

• 球面物体提升最显著（成功率从 52% 提升到 84%），这归功于触觉反馈对滑移的补偿。
• 消融实验显示：去掉“臂-手分离”网络，成功率骤降 19%，直接证明了对复杂自由度进行运动学解耦的必要性。

深度洞察：未来的启示

SpaceDex 成功的核心逻辑在于**“术业有专攻”。 在端到端（End-to-End）大行其道的今天，本文冷静地指出了单纯堆算力是不够的。对于高自由度（22-DoF）的系统，在物理结构上进行合理的归纳偏置（Inductive Bias）**——例如将全局路径规划与局部操作解耦——能显著降低学习难度。

局限性： 尽管表现出色，但在处理高度透明或极小的物体时，目前的视觉+触觉链路仍有波动。此外，VLM 的推理延迟在实时动态避障中依然是一个潜在瓶颈。

总结

SpaceDex 为灵巧手在物流、家政等复杂 3D 环境的应用铺平了道路。它告诉我们：真正智能的机器人，不仅要能“看懂”目标，更要能“理清”自己与复杂环境的几何关系。