MetaFold 是什么？听懂语言指令、能叠各种衣服的机器人框架

MetaFold 是一个让机器人根据语言指令叠各类衣服的框架，由新加坡国立大学等高校的联合团队提出，论文标题是《MetaFold：通过轨迹生成和基础模型实现语言引导的多类别衣物折叠框架》。

叠衣服为什么难

叠衣服是生活中很常见的事，却是机器人操作中的一大难题。衣服是可形变的柔性物体，可以被揉成任何形状，状态空间巨大，动力学也很复杂：拉一个角，整件衣服都会跟着变形，这让精确、精细的操作非常困难。论文指出，以往的方法往往依赖预先定义的关键点（比如领口、袖口在哪里）或者大量示范数据，这限制了它们在不同衣物类别之间的泛化：学会了叠 T 恤，换成裤子或裙子就不会了。

MetaFold 的做法：把“想”和“做”分开

MetaFold 的核心思想是把任务规划和动作预测解耦，两部分各自独立学习，以增强模型的泛化能力。

任务规划：采用语言引导的点云轨迹生成。机器人用三维点云来感知衣服的形状，接到“把这件衬衫对折”这样的语言指令后，模型生成衣服在折叠过程中点云应该如何变化的轨迹，也就是规划出“衣服应该一步步变成什么样子”。这一部分在大量多类别衣物的数据上学习，能够理解不同衣物和不同指令。

动作预测：使用一个底层的基础模型，根据当前和目标的点云状态，预测机器人具体该怎么抓、怎么移动。

这种结构让多类别学习变得容易：规划部分专注于理解衣服和指令，动作部分专注于操作技巧，两者都能更好地迁移到新的衣物和新的用户指令上。

意义

论文报告，MetaFold 在多种衣物类别和多样的语言指令下，折叠成功率明显优于已有方法，并在真实机器人上进行了验证。叠衣服、整理家务是家用服务机器人的典型需求，这类能处理柔性物体、听懂自然语言指令的方法，是让机器人真正走进家庭的必要一步。