大家好，我是北大图灵班大一本科生李铭乐洋，本文将分享最新探索成果 GarmentPile++。这项工作由北大长聘副教授&上纬启元首席科学家董豪老师带领完成，刚刚被机器人领域顶会 ICRA 2026 接收。同时，在不久前《EAI-100 具身智能领域 2025 年度百项代表性成果与人物》中，"柔性物体仿真与操作"专题获得 10 大 Demo 项目奖，而 GarmentPile++ 是其重要的组成部分之一。

在现实环境中，衣物通常是杂乱堆放的，因此对衣物的智能检索成为必要。我们提出 GarmentPile++，相对前序工作 GarmentPile 更加高效，同时支持检索特定语言指令对应的衣物，为下游单衣物操作贡献了良好的上游基础。

衣物操控是家庭服务机器人的⼀项关键能力。然而，现实环境中的衣物通常是以杂乱的堆叠形式存在的。由于衣物的高度柔性、状态空间近乎无限的特性以及复杂的动力学属性，从杂乱堆叠中精准检索并抓取特定衣物成为⼀项有挑战的任务。

近期工作（如 GarmentPile）尝试解决这⼀问题。但现有的方法主要依赖单⼀的视觉可供性，缺乏对语言指令的理解能力，且⼤多局限于单臂操作，难以处理大型或长条状衣物。针对上述痛点，我们提出了 GarmentPile++。这是⼀个结合了视觉 - 语言模型（VLM）的高层推理能力，与视觉可供性模型的低层操作能力的全新管线。

该方法遵循语言指令检索特定衣物，并通过 SAM2 为 VLM 提供视觉线索，从而提升其性能。这⼀过程中，我们设计了通过掩码微调（Mask Fine-tuning）机制使 VLM 自主判定并修正 SAM2 可能的分割错误。另外，我们引入了由 VLM 触发的双臂协作机制以应对单臂难以处理的复杂情况，避免了单臂抓取长衣服时可能的拖地现象，为后续的折叠、挂衣等任务奠定基础。

论文：GarmentPile++: Affordance-Driven Cluttered Garments Retrieval with Vision-Language Reasoning论文链接：https://arxiv.org/abs/2603.04158

图 1 GarmentPile++ 概览。 GarmentPile++ 管线包含三个主要阶段：1) 检索哪个 ：利用 SAM2 提示 VLM 推理目标衣物；2) 哪⾥抓取：利用可供性模型预测衣物的最佳抓取点；3) 如何抓取：利用 VLM 对当前状态的判断，负责决策抓取流程，即包括是否启动双臂协作。

一、方法介绍

GarmentPile++ 的核心流程如图 2 所示，主要由三个模块组成：基于 SAM2 和 VLM 的分割与衣物选择、基于可供性的抓取点决策、以及基于状态感知的双臂协作决策。

图 2 GarmentPile++ 流程图。 上方从左⾄右地展示三个模块，下方展示了部件细节。左下（红色）：掩码微调过程；右下（绿色）：双臂协作时的掩码跟踪过程。

1.视觉 - 语言引导的分割与选择 (Which to Retrieve)

该阶段的目标是从杂乱的衣物堆中，识别出符合语言指令的目标衣物。

①单图衣物分割：首先利用 SAM2 模型对场景进行全景分割。GarmentPile++ 会在每个生成的掩码（Mask）上标注数字 ID，以为 VLM 提供视觉线索，帮助 VLM 区分衣物。

②掩码微调：在衣物严重遮挡或颜色相近的情况下，SAM2 可能会出现分割错误（如将多件衣物分割为⼀个，或将⼀件衣物分割为若干碎片）。GarmentPile++ 提供了⼀种修正策略：VLM 首先判断当前的分割结果是否存在明显错误。若存在错误，则给出有明显错误的几个掩码的编号。机器人会从这些错误掩码中，随机选取⼀个点抓取，并在空中 “抖动” 衣物，同时录制视频。利用 SAM2 的视频跟踪能力，跟踪错误掩码之外的掩码，这样它们无需再次分割。而对剩余的场景利用 SAM2 再做⼀次分割，从而获得更精确的实例分割结果（如图 3）。

③基于 VLM 的选择：获得优化后的掩码后，VLM 根据用户的语言指令（如 “拿取所有衣物” 或 “拿取绿色上衣”）推理出最合适的目标衣物 ID。当目标特定衣物没有暴露在视野中时，VLM 会判断移除哪件衣服是 “最具性价比” 的（比如暴露面积大、造成遮挡多 .. ），并将其作为目标移除衣物。

图 3 掩码微调前后的分割效果对比。 左侧为初始分割，存在欠分割或过分割问题；右侧为微调后的结果，掩码更准确地对应了单件衣物。

2.基于可供性的抓取点预测 (Where to Retrieve)

确定目标衣物后，需要计算适合单臂抓取的最佳位置。

检索可供性模型：基于 PointNet++ 架构，输入为衣物堆的点云以及目标衣物的掩码特征。

输出：一个逐点的可供性分数，指示每个点作为抓取点的适宜程度。通常，位于衣物中心或褶皱处的点具有较高的可供性分数，能最大化抓取成功率并减少对其他衣物的干扰。

3.基于状态感知的双臂协作 (How to Retrieve)

对于大型、长条状衣物，或者单臂抓取导致衣物拖拽严重的情况，仅靠单臂难以完成任务。

状态推理：当主臂（Master Arm）抓起衣物后，VLM 会根据当前的视觉观测判断是否需要双臂协作（例如判断衣物是否过长，或者是否意外抓起了两件衣物）。抓起衣物的过程中， GarmentPile++ 会利用 SAM2 跟踪被抓起的衣物，从而直接获得被抓起衣物的掩码，并为 VLM 提供视觉线索。

双臂协作执行：如果 VLM 判定抓起了多件衣物，当前操作终⽌。如果判定需要协作，辅助抓取点将根据被抓起衣物的掩码，在下垂部分选取。从臂（Slave Arm）由辅助抓取点进行抓取，随后双臂配合将衣物移动到目标位置。

二、实验结果

我们在仿真环境和真实世界中构建了两种典型场景：开放边界和封闭边界，并测试了 “顺序检索所有衣物” 和 “检索特定衣物” 两类任务。

1.对比实验

实验对比若干基线方法。结果显示（如表 1 所示），GarmentPile++ 在所有任务和场景中均取得了最高的平均成功率（ASR），同样保持了较低的平均抓取次数（AMS）。

表 1 对比实验结果

2.消融实验

通过消融实验，我们在平均成功率（ASR）和双臂触发概率（PDR）两个指标上，验证了各核心模块的必要性：

去掉双臂判定时的掩码追踪：会导致无法追踪已经由主臂提起来的衣物，从而误导 VLM 进行后续的双臂判定以及是否抓取单件衣服的判定。去掉双臂协作：在处理长衣物时失败率增加。去掉掩码微调：会导致分割不准，进而影响后续的抓取。去掉可供性模块：随机抓取导致初始抓取位置不优，进而导致了更⼤的双臂触发概率。

表 2 消融实验结果

三、展示视频

以下视频分别展示了：1) 封闭场景中的衣物顺序取出。 2）开放场景中的红色裤子取出。3) 开放场景中的衣物顺序取出。4）封闭场景中的帽子取出。

视频地址：https://mp.weixin.qq.com/s/y-vVRy11WQkYSJqegkHaIg?click_id=34

四、总结

本文提出了 GarmentPile++，一个针对杂乱衣物堆检索的通用管线，其由 SAM2 提示 VLM 推理做抓取指导，结合基于点云可供性的具体抓取点选取。我们的方法在开放场景 / 封闭场景中，特定衣物检索 / 顺序取出所有衣物下，性能和效率显著优于以往工作。