抓取（Grasping）在具身智能领域特指智能体通过末端执行器（如机械手）与目标物体建立稳定接触并施加控制力的过程。这一动作包含感知定位、运动规划、力控制三个核心环节，既需要准确识别物体位置和姿态，又需根据物体材质、形状等特性自适应调整抓取策略。从控制论角度看，理想的抓取应满足力封闭（Force Closure）或形封闭（Form Closure）条件，确保物体在受到外力干扰时仍能保持稳定持握。
在AI产品开发实践中，抓取技术的成熟度直接影响服务机器人、工业自动化等场景的落地效果。当前主流方案结合深度学习（如GraspNet等抓取位姿预测网络）与强化学习（如Dex-Net的抓取策略优化），使系统能够处理未知物体的泛化抓取任务。值得关注的是，触觉传感器的引入正在推动「柔性抓取」技术的发展，这种模仿人类手部触觉反馈的机制，显著提升了易碎物品等精细操作的成功率。