在机器人多模态认知与灵巧操作的前沿探索中，云基智能机器人实验室人机协作组以语言条件分割与抓取（LCSG）为研究核心，提出知识增强优化网络（Knowledge-Augmented Refinement Network, KARNet），攻克复杂家居场景中细粒度目标定位与抓取姿态推理难题。相关成果以97.97%抓取精度刷新领域性能记录，发表于《IEEE Transactions on Instrumentation and Measurement》等顶级期刊，并部署于真实机器人平台验证其工程实用性。

实验表明，KARNet在复杂家居数据集上取得分割交并比（OIoU）94.35%、抓取成功率97.97%的SOTA性能，较现有方法（如CLIP+Transformer）抓取稳定性提升23%。其“知识增强-语义解析-几何优化”三级架构，为物流分拣、智能仓储等工业场景提供了高鲁棒解决方案。

此项研究开创了语言-抓取联合推理的新范式，其知识驱动框架可泛化至多物体协同操作、动态场景自适应抓取等任务，为机器人自主认知与决策能力的进化开辟新路径。