Optimization Model for Planning Precision Grasps with Multi-Fingered Hands
University of California, Berkeley(加州大学伯克利分校)
多指手的精确抓握对于精确放置和手内操作任务是重要的。由于点云所代表的物体形状复杂、维数高、易碰撞以及传感和定位的非期望特性,使得对点云的精确搜索具有挑战性。提出了一种多指手精确抓取的优化模型。该模型以物体的噪声点云作为输入,通过迭代搜索手掌姿态和手指关节位置来优化抓取质量。手和物体之间的碰撞是近似的,并通过一系列的最小二乘惩罚。碰撞近似能够处理具有复杂形状的物体的点云表示。所提出的优化模型能够有效地定位无碰撞的最佳精度抓持。平均计算时间为0.50秒/抓取。该算法对点云的不完整性和噪声具有较强的鲁棒性。实验证明了该算法的有效性。
2019-04-15 cs.RO
Multi-Fingered In-Hand Manipulation with Various Object Properties Using Graph Convolutional Networks and Distributed Tactile Sensors
Waseda University(早稻田大学)
多指手可以用来完成许多灵巧的操作任务,类似于人类,和触觉感知可以提高各种对象的操作稳定性。然而,多指手上的触觉传感器具有各种尺寸和形状。卷积神经网络(CNN)可以用于处理触觉信息,但是来自多指手的信息需要任意预处理,因为CNN需要矩形形状的输入,这可能导致不稳定的结果。因此,如何处理这种复杂形状的触觉信息,并利用它来实现操作技能仍然是一个悬而未决的问题。本文提出了一种基于图卷积网络(GCN)的控制方法,该方法从具有复杂传感器排列的触觉数据中提取大地线特征。此外,对象属性标签被提供给GCN以调整手内操纵运动。分布式三轴触觉传感器安装在指尖,手指指骨和手掌的快板手,导致1152触觉测量。利用数据手套采集训练数据,将人的灵巧操作直接传递给机器人手。GCN实现了高成功率的手操作。我们还证实,当向GCN提供正确的对象标签时,易碎对象变形较少。当用PCA可视化GCN的激活时,我们验证了网络获得了测地线特征。我们的方法实现了稳定的操作,即使当实验者拉一个把握对象和未经训练的对象。
2022-05-09 cs.RO
Efficient Grasp Planning and Execution with Multi-Fingered Hands by Surface Fitting
University of California, Berkeley(加州大学伯克利分校)
本文介绍了一个多指手抓取规划框架。该框架包括用于抓取规划的多维迭代曲面拟合(MDISF)和用于抓取想象的抓取轨迹优化(GTO)。MDISF算法通过最小化碰撞和表面拟合误差来搜索最佳接触区域和手部配置,GTO算法生成最佳手指轨迹以达到高排名的抓取配置并避免与环境碰撞。所提出的抓取规划和想象框架考虑了手-机器人系统的碰撞避免和运动学,并且能够使用捕获的点云利用基于梯度的方法有效地规划不同类别的抓取和轨迹。所发现的把握和轨迹是强大的传感噪声和潜在的不确定性。仿真和实验验证了该框架的有效性。
2019-07-18 cs.RO
Region-Based Planning for 3D Within-Hand-Manipulation via Variable Friction Robot Fingers and Extrinsic Contacts
Worcester Polytechnic Institute(伍斯特理工学院);Imperial College London(伦敦帝国理工学院)
实现机器人手内操纵(WIHM)的尝试通常利用具有精细感测装置的高DOF机器人手或多臂机器人系统。在以前的工作中,我们提出了一个简单的机器人手与可变摩擦机器人手指,它允许一个低复杂度的方法,手内物体的平移和旋转,虽然这种操作仅限于平面动作。在这项工作中,我们扩展了该系统的能力,三维操纵一个新的区域为基础的WIHM规划算法,并利用外部接触。调节手指摩擦力的能力增强了三维WIHM的外在灵活性,并允许我们在准静态水平下操作。基于区域的规划器自动生成具有修改的A* 公式的3D操作序列,该修改的A* 公式导航手指和对象表面之间的接触区域以到达期望的区域。该方法的核心是一组物体运动基元(即手内滑动,旋转和旋转),这可以很容易地通过改变接触摩擦来实现。通过这种方法,可以实现广泛的目标区域,这是通过真实的机器人实验后,标准化的手操作基准协议证明。
2021-05-20 cs.RO
Two-fingered Hand with Gear-type Synchronization Mechanism with Magnet for Improved Small and Offset Objects Grasping: F2 Hand
Preferred Networks, Inc.(首选网络公司);Sony AI(索尼人工智能)
本文提出F2 Hand双指机械手,通过带磁体的齿轮式同步机构兼顾指尖对齐抓取小物体与自适应抓取偏心物体,可抓取从易碎物到重物并保持位姿。
2023-09-20 cs.RO
SPARK Hand: Scooping-Pinching Adaptive Robotic Hand with Kempe Mechanism for Vertical Passive Grasp in Environmental Constraints
School of Future Technology, Harbin Institute of Technology(哈尔滨工业大学未来技术学院);Laboratory of Robotics, X-Institute(X研究所机器人实验室);Shude College, Southern University of Science and Technology(南方科技大学舍德学院);Department of Mechanical Engineering, Tsinghua University(清华大学机械工程系)
提出SPARK finger自适应机械手指,结合Kempe连杆与平行四边形机构实现垂直捏取与scooping抓取的被动切换,无需额外驱动即可在环境约束下稳定抓取薄平物体,提升了受限环境下的机器人操作能力。
2025-04-29 cs.RO
A Compliant, Underactuated Hand for Robust Manipulation
Yale University(耶鲁大学);Harvard University(哈佛大学);iRobot Corporation(iRobot公司)
本文介绍了一种由5个驱动器驱动的欠驱动手i-HY手,它能够执行广泛的抓取和手内操作任务。这只手的设计是为了满足对适用于移动机器人的耐用、廉价、适度灵巧的手的需求。本文的主要重点将是新的简约设计的i-HY,这是通过选择一组目标任务,围绕这一目标任务的手的设计进行了优化。特别强调的是欠驱动手指的发展,能够既坚定的权力抓地力和低刚度指尖抓地力只使用被动力学的手指机制。实验结果表明,成功地掌握了广泛的目标对象,指尖抓持的稳定性,以及使用被动手指力学调整施加在抓持对象上的力的能力。
2013-01-17 cs.RO
Complex In-Hand Manipulation via Compliance-Enabled Finger Gaiting and Multi-Modal Planning
Yale University(耶鲁大学);Rice University(莱斯大学);Rutgers University(罗格斯大学)
将接触约束为在操纵期间保持固定在对象上会限制潜在的工作空间大小,因为运动受制于手的运动学拓扑。手指步态是减轻这种限制的一种方法。它允许触点自由断开和重新连接,以便在不同的操作歧管上操作。然而,这种能力传统上难以或不可能实际实现。手指步态系统必须同时计划和控制物体上的力,同时在触点切换期间保持稳定性。这项工作通过利用系统顺应性来简化传统要求,允许手在保持稳定抓握的同时更容易地切换触点。我们的方法实现了完整的SO(3)手指步态控制的抓持对象对重力通过开发一个操纵规划器,通过正交安全模式的兼容,欠驱动的手没有触觉传感器或关节编码器。在操作过程中,低延迟的6D姿态对象跟踪器通过视觉提供反馈,允许规划器在线更新其计划,以便自适应地从轨迹偏差中恢复。该方法的有效性是通过在一个真实的机器人上操纵凸和非凸物体来展示的。其鲁棒性通过扰动抑制和长轨迹目标进行评估。据作者所知,这是第一个通过手指步态和无支撑表面自主实现完全SO(3)控制手内物体的工作,阐明了实现真正机器人手内操作能力的宝贵一步。
2022-01-20 cs.RO
Attention based visual analysis for fast grasp planning with multi-fingered robotic hand
University of Hamburg(汉堡大学)
我们提出了一个基于注意力的视觉分析框架来计算抓取相关信息,以指导使用多指机器人手的抓取规划。我们的方法使用计算视觉注意力模型来定位场景中的感兴趣区域,并使用深度卷积神经网络来检测感兴趣区域中呈现的对象的子区域的抓握类型和点。我们展示了所提出的框架在物体抓取任务,其中所提出的框架产生的信息被用作先验信息,以指导抓取规划。实验结果表明,该框架不仅能够加快抓取规划的速度,而且能够处理未知物体。此外,我们的框架可以处理混乱的场景。还提出了一个新的抓取类型数据集(GTD),考虑6种常用的抓取类型,涵盖12个家用物体。
2018-09-12 cs.RO
A Multi-Agent Approach for Adaptive Finger Cooperation in Learning-based In-Hand Manipulation
Colorado School of Mines(科罗拉多矿业学院);GAC R&D Center Silicon Valley(广汽硅谷研发中心)
本文提出多智能体全局观测评论家与局部观测演员(MAGCLA)方法,将每根手指视为独立智能体进行协作手内操作,并引入同步后见经验回放(SHER)解决异步经验回放导致的不稳定合作问题,在Shadow灵巧手上验证了其学习效率、泛化性及对机器人故障的适应性。
2022-10-11 cs.RO
Soft, Round, High Resolution Tactile Fingertip Sensors for Dexterous Robotic Manipulation
Massachusetts Institute of Technology(麻省理工学院)
高分辨率触觉传感器通常体积庞大,并且具有使它们难以用于操纵的形状轮廓。当使用诸如用于灵巧的多指手的指尖的传感器时,这变得重要,其中方形或平面指尖限制了可用的平滑操纵策略集。高分辨率的光学传感器,如GelSight,由于照明几何形状的限制,到目前为止一直被限制在相对平坦的几何形状。在这里,我们展示了如何构建一个圆形的指尖,利用一种形式的光管道定向照明。我们的传感器可以取代Allegro手的标准圆形指尖。它们可以捕获接触表面的高分辨率地图,并可用于支持各种灵巧的操作任务。
2020-05-18 cs.RO
Progressive Transfer Learning for Dexterous In-Hand Manipulation with Multi-Fingered Anthropomorphic Hand
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science and Innovation, Chinese Academy of Sciences(中国科学院香港创新研究院人工智能与机器人中心)
针对多指拟人手灵巧操作在新场景下数据需求大、训练成本高的问题,本文提出渐进式迁移学习框架PTL,利用源域动力学模型与轨迹筛选实现高效技能迁移,训练时间降低95%。
2023-04-19 cs.RO
Dexterous Cable Manipulation: Taxonomy, Multi-Fingered Hand Design, and Long-Horizon Manipulation
University of Edinburgh(爱丁堡大学);EPFL(洛桑联邦理工学院);University of York(约克大学)
本文针对灵巧线缆操作缺乏系统定义与合适硬件的问题,提出了线缆操作任务分类体系,并设计了一种25自由度、具有对称拇指-食指配置和可旋转指尖关节的五指手,同时开发了相应的演示采集流程,以支持长时程线缆操作任务。
2025-02-06 cs.RO
Suction Leap-Hand: Suction Cups on a Multi-fingered Hand Enable Embodied Dexterity and In-Hand Teleoperation
School of Informatics, University of Edinburgh(信息学院,爱丁堡大学);School of Physics, Engineering and Technology, University of York(物理、工程与技术学院,约克大学);Tsinghua University(清华大学)
提出吸盘跳跃手(SLeap Hand),用指尖吸盘替代力闭合抓取,简化手内遥操作与数据收集,并实现单手剪纸、手内书写等超越人手的灵巧技能。
2025-09-25 cs.RO
VTAP Gripper: Synergizing Fingertip Sensing and a Visuo-Tactile Active Palm for Dexterous In-Hand Manipulation
Edwardson School of Industrial Engineering, Purdue University(普渡大学爱德华森工业工程学院);Department of Computer Science, Columbia University(哥伦比亚大学计算机科学系)
研究提出集成 VTAP 和触觉阵列传感器手指的夹爪,利用指掌协同与多模态感知实现操作。通过双模态手掌扩展能力,提出重定向框架。经多任务实验验证,该夹爪及框架为灵巧夹爪设计等提供实用参考架构。
2026-07-20 cs.RO
Design of an Adaptive Modular Anthropomorphic Dexterous Hand for Human-like Manipulation
School of Artificial Intelligence and Robotics, Hunan University(人工智能与机器人学院,湖南大学)
本文提出了一种具有4自由度的仿人手指拓扑结构,并基于此设计了自适应模块化灵活手,通过生物协同原理实现人样的抓取与操作。
2025-11-27 cs.RO
How to Train your Tactile Model: Tactile Perception with Multi-fingered Robot Hands
Bristol Robotics Laboratory, University of Bristol(布里斯托大学布里斯托机器人实验室)
本文提出TacViT模型,基于视觉Transformer实现触觉感知,能有效泛化新传感器数据,减少数据收集和重训练需求,提升多指机械手的触觉感知能力。
2026-04-01 cs.RO
The Cartesian Hand: In-Hand Manipulation with All-Linear Fingers
Duke University(杜克大学)
提出笛卡尔手,一种7自由度末端执行器,通过独立抓取和相对运动的线性组合实现掌内操作,在35个物体上验证了多种操作任务,并开源软硬件设计。
2026-09-23 cs.RO
Real-Time Robust Finger Gaits Planning under Object Shape and Dynamics Uncertainties
University of California, Berkeley(加州大学伯克利分校)
灵巧操作在装配线、仓库和农业中具有广泛的应用。为了执行各种物体的大规模操作任务,多指机器人手有时必须顺序地调整其抓取姿态,即手指步态,以解决工作空间限制并保证物体稳定性。然而,实现手指的灵巧操作规划是具有挑战性的,由于复杂的把握质量指标,物体形状和动力学(质量和转动惯量)的不确定性,以及不确定的接触动力学下的意外滑动。在本文中,提出了一个双阶段优化的规划来应对这些挑战。在第一阶段,结合物体抓取质量和手的可操作性,引入速度级手指步态规划器。所提出的手指步态规划器是计算效率高,实现手指步态没有3D模型的对象。在第二阶段,鲁棒操纵控制器,采用鲁棒控制和力优化,提出了解决对象的动力学不确定性和外部干扰。双阶段规划器能够保证在不确定的接触动力学引起的意外滑动下的稳定性。此外,它不需要速度测量或昂贵的3D/6D触觉传感器。通过Mujoco上的仿真验证了所提出的基于两阶段优化的规划器。
2017-10-27 cs.RO
Stable In-hand Manipulation with Finger Specific Multi-agent Shadow Reward
Oklahoma State University(俄克拉荷马州立大学);Colorado School of Mines(科罗拉多矿业学院);GAC R&D Center Silicon Valley(广汽研发中心硅谷)
本文提出手指特定多智能体影子奖励(FMSR)方法,基于状态-动作占用测度结合信息共享加速收敛,有效解决了手内操作中稀疏奖励不稳定和密集奖励难定义的问题,显著提升了操作稳定性与成功率。
2023-09-13 cs.RO
In-Hand Following of Deformable Linear Objects Using Dexterous Fingers with Tactile Sensing
Tsinghua University(清华大学);UC Berkeley(加州大学伯克利分校)
针对可变形线性物体操作,本研究提出一种基于触觉感知的通用灵巧手框架,通过臂手控制、3-D位姿估计与运动设计实现鲁棒的手内跟随,显著优于平行夹爪。
2024-08-29 cs.RO
Primitive-Informed Sampling-Based MPC for Multi-Fingered Dexterous Manipulation
Honda Research Institute USA(本田美国研究院);Georgia Institute of Technology(佐治亚理工学院);Skild AI
提出基于原语信息的采样型MPC框架,利用低维操作原语偏置采样并优化关节残差,配合滚动约束,在Allegro手上实现高效多指灵巧操作,显著提升成功率。
2026-09-17 cs.RO
Belt-Finger: An Affordable Soft Belt-Driven Gripper for Dexterous In-Hand Manipulation
University of Tübingen(图宾根大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
提出一种双软带手指模块,为平行夹爪增加三个手内自由度(平移、俯仰、滚动),在保持低成本、易集成的同时提升灵巧操作能力,并通过MPC和遥操作验证其有效性。
2026-06-19 cs.RO
DigiArm: An Anthropomorphic 3D-Printed Prosthetic Hand with Enhanced Dexterity for Typing Tasks
Department of Computer Science, Technion, Haifa, Israel(计算机科学系,技术学院,海法,以色列);Department of Mechanical Engineering, Technion, Haifa, Israel(机械工程系,技术学院,海法,以色列)
DigiArm是一种低成本3D打印假手,专为提高打字任务的灵活性而设计,通过增强手指和腕部控制实现精确操作。
2026-02-26 cs.RO
On the Feasibility of Learning Finger-gaiting In-hand Manipulation with Intrinsic Sensing
Columbia University(哥伦比亚大学)
指步操纵是实现物体大角度在手重定位的一项重要技术。然而,由于任务的不稳定性,实现这些步态与任意方向的手是具有挑战性的。在这项工作中,我们使用无模型强化学习(RL)来学习手指步态只通过精确的把握和演示手指步态旋转轴纯粹使用板上本体感受和触觉反馈。为了解决精确抓取固有的不稳定性,我们建议使用初始状态分布,使状态空间的有效探索。我们的方法可以学习手指步态与显着改善的样本复杂度比国家的最先进的。我们得到的政策是强大的,也转移到新的对象。视频可以在https://roamlab.github.io/learnfg/上找到
2022-03-15 cs.AI cs.RO
A Reconfigurable Dual-Opposition Architecture for Single-Hand Assembly and Manipulation
University of California, Berkeley(加州大学伯克利分校);National University of Singapore(新加坡国立大学)
提出一种可重构双对立手部架构,通过四个手指和可重构手掌实现单手装配与操作,在仿真和硬件上显著优于LEAP Hand。
2026-09-22 cs.RO
A Tendon-Driven Five-Fingered Hand with Distributed Tactile Perception for Dexterous Manipulation
该研究针对人形机器人复杂操作需求,设计了带分布式触觉感知的刚柔混合肌腱驱动五指机械手,通过双模态触觉传感实现接触与力检测,实验验证了其集成驱动-感知系统的可行性。
2026-08-27 cs.AI cs.RO
FINGR: Learning Dexterous Hand Control for Real-World Rubik's Cube Solving
University of California San Diego(加州大学圣迭戈分校)
FINGR通过结合手指相对几何与未来交互预测的流策略,在真实灵巧手上实现99.0%的魔方转动成功率,并集成抓取与重抓取解决全部十个打乱魔方。
2026-10-15 cs.RO
FSAG: Enhancing Human-to-Dexterous-Hand Finger-Specific Affordance Grounding via Diffusion Models
本文提出FSAG框架,通过扩散模型提取语义affordance,实现稳定多接触抓取,无需硬件特定数据集,且单模态深度信息即可实现高性能抓取合成。
2026-03-12 cs.RO
A multi-modal tactile fingertip design for robotic hands to enhance dexterous manipulation
Carnegie Mellon University(卡内基梅隆大学)
提出一种低成本、紧凑的多模态触觉指尖设计,集成应变式与接触式麦克风传感器,在灵巧操作任务中单独或结合视觉实现高成功率,如100%精确取杯。
2026-09-29 cs.RO
The Hand-object Kinematic Model for Bimanual Manipulation
Polytechnic University of Catalonia(加泰罗尼亚理工大学)
本文提出一种基于平面运动几何特征的手-物体运动学模型,通过手指构型选择与关节值求解,为双手操作生成优化策略,并在仿真中验证了对未知物体旋转和直线运动的完成能力。
2024-01-12 cs.RO cs.SY eess.SY
Rigidity-Based Multi-Finger Coordination for Precise In-Hand Manipulation of Force-Sensitive Objects
School of Automation, Chongqing University(重庆大学自动化学院);Department of Mechanical Engineering, City University of Hong Kong(香港城市大学机械工程系)
本文提出双层框架实现多指协调,通过关节控制无需触觉反馈实现高精度力敏感物体操作。
2026-02-15 cs.RO cs.SY eess.SY
Robust In-Hand Manipulation via Priors in Reinforcement Learning and Mechanical Design
Center for Robotics and Biosystems, Northwestern University(西北大学机器人与生物系统中心)
研究无外部传感的手中操作难题,引入全局抓握质量先验和局部接触几何先验两种互补物理先验,用于多指机器人手操作物体的手中滚动操作学习,显著提升了旋转效率、抓握稳定性和抗干扰能力,增强任务稳健性与模拟到现实的转移。
2026-07-15 cs.LG cs.RO
DMFC-GraspNet: Differentiable Multi-Fingered Robotic Grasp Generation in Cluttered Scenes
KIT(卡尔斯鲁厄理工学院);Bosch Center of AI(博世人工智能中心)
针对多指抓取每次推理仅生成单峰抓取的问题,本文提出 DMFC-GraspNet,通过新型抓取表示、密集标注流程和多种可微分损失实现端到端的密集多功能抓取生成。
2023-08-16 cs.AI cs.RO
Embedded Soft Sensing in Soft Ring Actuator for Aiding with theSelf-Organisation of the In-Hand Rotational Manipulation
University of Cambridge(剑桥大学)
本文提出了一种软传感器嵌入在一个软环驱动器与五个手指作为一个软手,以识别在手操作过程中的操作对象的分叉。操纵是通过打破对称方法与欠驱动控制系统的分叉的对象顺时针或逆时针旋转。两个软传感器平行嵌入在一个单一的软手指,并在电阻测量的差异进行比较,当手指在一个特定的方向上位移或弯曲,这可以识别分叉方向,并在不需要外部跟踪设备的情况下,在对称性的方法援助。传感器的性能还通过在没有物体交互的情况下延伸和弯曲手指来表征。在执行对称性破坏的实验期间,被操纵的物体根据扰动和致动频率顺时针和逆时针转动,传感器可以跟踪旋转方向。嵌入式传感器提供了自感知能力,用于在未来的工作中实现闭环控制。软环致动器的性能呈现出自组织行为,其中软指旋转对象,而不需要用于旋转对象的控制。因此,软手指是一个欠驱动系统与复杂的行为时,与对象,服务在手操纵领域。
2022-02-25 cs.RO cs.SY eess.SY
Visuo-Tactile Object Pose Estimation for a Multi-Finger Robot Hand with Low-Resolution In-Hand Tactile Sensing
University of Augsburg(奥格斯堡大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
针对机器人手遮挡导致抓取物体姿态估计困难的问题,提出融合视觉、本体感觉和低分辨率二值触觉的因子图概率方法,在仿真和真实实验中显著提升高遮挡和高噪声下的姿态估计精度。
2025-03-25 cs.CV cs.RO
The Multi-fingered Kinematic Model for Dual-arm Manipulation
Polytechnic University of Catalonia(加泰罗尼亚理工大学)
本文提出一种基于手指构型反馈的强化学习框架,通过同时与交错两种策略优化双臂操作中的抓取质量,在物体轮廓和质心未知的情况下提升成功率和手指运动精度。
2024-01-14 cs.RO cs.SY eess.SY
Design and Control of Roller Grasper V2 for In-Hand Manipulation
Stanford University(斯坦福大学)
执行手操作的能力仍然是一个未解决的问题;具有这种能力将允许机器人执行复杂的任务,需要重新定位和重新定向抓取的物体。在这项工作中,我们提出了一种新的非拟人机器人抓持器的能力,通过在指尖的主动表面操纵物体。主动表面是通过具有两个自由度(DoF)的球形滚动指尖实现的--用于表面重新定向的枢转运动--以及用于移动物体的连续滚动运动。另一个自由度位于每个手指的底部,允许手指抓住一系列大小和形状的物体。瞬时运动学的推导和对象都成功地操纵了一个自定义的手工制作的控制方案,以及通过模仿学习,在模拟和实验上的硬件。
2020-11-17 cs.LG cs.RO cs.SY
Modular Anthropomorphic Hand Design via Multi-Parameter Finger Benchmarking and Selection
The CREATE Lab, Institute of Mechanical Engineering, Swiss Federal Institute of Technology in Lausanne (EPFL)(瑞士洛桑联邦理工学院机械工程研究所CREATE实验室)
提出一种模块化拟人手设计框架,通过多参数基准测试优化手指设计,实现整手性能提升,并在多物体抓取和灯泡旋拧任务中验证有效性。
2026-06-11 cs.RO
Geometric In-Hand Regrasp Planning: Alternating Optimization of Finger Gaits and In-Grasp Manipulation
University of Utah Robotics Center(犹他大学机器人中心);School of Computing University of Utah(犹他大学计算机学院)
本文探讨的问题,自主,在手regrasping-移动从一个物体上的初始把握所需的把握使用灵巧的机器人的手指的问题。我们提出了一个计划,这个问题之间的交替手指步态,掌握操纵。手指步态使机器人能够将单个手指移动到物体上的新接触位置,而其余手指稳定地保持物体。抓取操作将物体移动到相对于机器人手掌的新姿势,同时保持手和物体之间的接触位置。给定对象的几何形状(作为一个网格),手的运动学结构,以及初始和所需的把握,我们计划一系列的手指步态和对象休息的行动,以达到所需的把握,而不会下降的对象。我们提出了一个基于优化的方法,并报告在手中重握计划为5个对象超过5个在手重握目标。我们的规划器生成的计划是无碰撞的,并保证运动学的可行性。
2018-04-12 cs.RO
A Soft Humanoid Hand with In-Finger Visual Perception
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院拟人技术与机器人研究所)
我们提出了一种新颖的欠驱动仿人五指软手,KIT \softhand,它配备了摄像头的指尖,并集成了一个高性能的嵌入式系统的视觉处理和控制。我们描述了手的驱动机制和肌腱驱动的软手指设计与内部路由的高带宽扁平柔性电缆。为了有效地并行处理来自每个指尖的摄像头的视觉数据,我们提出了一种混合嵌入式架构,由现场可编程逻辑阵列(FPGA)和微控制器,允许实现基于卷积神经网络的视觉对象分割。我们通过用一个手指进行耐久性实验来评估手的设计,并在抓力、速度和抓持成功率方面量化抓持性能。结果表明,手表现出31.8 N的抓地力和机械耐久性的手指超过15.000关闭周期。最后,我们使用五个不同的对象在不同阶段的把握过程中,评估视觉对象分割的准确性。因此,可以实现90%以上的准确度。
2020-06-05 cs.RO
Design of a Five-Fingered Hand with Full-Fingered Tactile Sensors Using Conductive Filaments and Its Application to Bending after Insertion Motion
The University of Tokyo(东京大学)
本研究构建手指双侧接触点估计系统,提出含神经柔性表皮结合导电丝神经线估计全指接触位置,结合双臂机器人开展工具使用实验,验证方法可支持插入后弯曲动作等工具使用场景。
2024-12-01 cs.RO
F3 Hand: A Versatile Robot Hand Inspired by Human Thumb and Index Fingers
Preferred Networks, Inc.(Preferred Networks公司);Sony AI(索尼人工智能)
用单个机器人手抓取具有不同尺寸和形状的众多物体是具有挑战性的。为了解决这个问题,我们提出了一种新的机器人手,称为“F3手”,灵感来自人类食指和拇指的复杂运动。F3手试图通过将平行运动手指和旋转运动手指与自适应功能相结合来实现复杂的类人抓取运动。为了确认我们的手的性能,我们将其连接到移动机械手-丰田人类支持机器人(HSR)并进行抓取实验。在我们的研究结果中,我们表明,它能够抓住所有YCB对象(共82个),包括外径小至6.4mm的垫圈。我们还建立了一个系统,可以用3D鼠标进行直观的操作,并抓住另外24个物体,包括小牙签和回形针以及大投手和饼干盒。即使在不精确的控制和位置偏移情况下,F3手也能够实现98%的抓取成功率。此外,由于手指的自适应功能,我们展示了F3手的特点,便于掌握柔软的物体,如草莓在一个理想的姿势。
2022-06-16 cs.RO
In-hand Sliding Regrasp with Spring-Sliding Compliance
Dorabot, Inc.(多机器人公司);Northwestern University(西北大学);Northwestern Institute on Complex Systems (NICO)(西北复杂系统研究所(NICO))
我们调查手重握推一个对象对外部约束,并允许在指尖滑动。每个指尖被建模为连接到安装到位置控制锚的多维弹簧。弹簧顺应性将接触力映射到弹簧压缩,确保手指保持接触,并且滑动“顺应性”控制滑动运动和切向接触力之间的关系。通过控制手指锚定件运动来实现弹簧滑动顺应性再夹持。我们推导出指尖滑动力学多指滑动重握和分析强大的重握条件下存在的手指接触扳手的不确定性。仿真和实验结果验证了设计,以最大限度地提高操作的鲁棒性的双指滑动重握。
2019-09-22 cs.RO
A new robotic hand based on the design of fingers with spatial motions
Armor Méca(阿尔默机械公司);École Centrale de Nantes(南特中央理工学院);CNRS(法国国家科学研究中心)
本文提出了一种新的手结构与三个欠驱动的手指。每个手指执行空间运动,以实现比现有的平面运动手指更复杂和更多样的抓取。这只手的目的是在复杂形状的工件离开加工中心时抓住它们。在夹具的分类中,圆柱形夹具和球形夹具通常用于抓取重物。这两种模式的结合使得可以捕获大多数5轴机床加工的工件。然而,抓取模式的改变需要手指重新配置自己来执行空间运动。这种解决方案需要增加两个或三个致动器来改变手指的位置,并需要传感器来识别工件的形状并确定要使用的抓取类型。本文提出将欠驱动手指的概念扩展到空间运动。在介绍了手指的运动学之后,讨论了该机构的稳定性问题以及力的传递。通过对雅可比力传递矩阵的研究,给出了计算稳定性条件的完整方法。CAD表示的手和它的行为在球形和圆柱形夹具。
2021-06-17 cs.RO
Soft robotic hand with finger-bending/friction-reduction switching mechanism through 1-degree-of-freedom flow control
Kanazawa University(金泽大学);Tohoku University(东北大学)
本文提出了一种新型的气动软机器人手,它采用了一种机制,可以切换气流路径,使用一个单一的气流控制。所研制的手可以控制手指运动和操作表面摩擦可变机构。在摩擦可变机构中,润滑剂被喷射到高摩擦指表面上以减小表面摩擦。为了使用正压气流注入润滑,应用了文丘里效应。气流路径切换和摩擦可变机构的设计和评价进行了说明。此外,整个设计的软机器人手配备了这些机构。通过抓取、放置和操作测试对性能进行了验证。
2022-03-28 cs.RO
Quasi-static analysis of passive stability in a novel underactuated multi-finger hand
Nantes Université(南特大学);Ecole Centrale de Nantes(南特中央理工学院);CNRS(法国国家科学研究中心);Université Rennes(雷恩大学);INSA Rennes(雷恩国立应用科学学院)
本文提出一种准静态分析方法,用于评估欠驱动多指手的被动稳定性,并介绍了一种集成差动弹簧加载滑块机构的新型三指手架构,分析了物体尺寸对圆柱形和球形抓取稳定平衡构型的影响。
2026-09-11 cs.RO
ResPilot: Teleoperated Finger Gaiting via Gaussian Process Residual Learning
Honda Research Institute USA(美国本田研究所)
针对现有机器人手遥操作方法工作空间有限、仅能完成简单抓取的问题,提出ResPilot方法,通过残差高斯过程学习扩展可达工作空间并支持指尖协同约束,可实现灵巧手指步态操控任务。
2024-09-13 cs.RO
Vib2Move: In-Hand Object Reconfiguration via Fingertip Micro-Vibrations
Department of Robotics(机器人学系);University of Michigan(密歇根大学)
本研究提出Vib2Move手内物体位姿重构方法,通过振动驱动器调摩擦、推导滑动模型、设计运动规划器,实现真实场景下平面物体低于6毫米的高精度定位操作。
2025-06-12 cs.RO
Underwater Soft Robotic Hand with Multi-Source Coupling Bio-Inspired Soft Palm and Six Fingers Driven by Water Hydraulic
Harbin Engineering University(哈尔滨工程大学);College of Mechanical and Electrical Engineering, Harbin Engineering University(哈尔滨工程大学机电工程学院)
本文研究的一种新型流体驱动软体机器人手,采用仿生学的思想,具有拟人的外形,面向柔性抓取功能。软体机器人手由一种新型的多自由度柔性手指和柔性手掌组成,实现了手握和反手的特征抓取功能。结合精细流体控制系统,软手可在高压下实现柔性抓取,从而实现对水下环境中不同类型目标物体的柔性抓取操作。最后,将软体机器人软体机器人手与精细流体控制系统连接,构成水下软体机器人手实验平台。
2021-06-13 cs.RO
Tactile Model O: Fabrication and testing of a 3d-printed, three-fingered tactile robot hand
University of Bristol(布里斯托大学);Bristol Robotics Laboratory(布里斯托机器人实验室)
为机器人手带来触觉将允许更有效的抓握,以及类似人类触摸的广泛好处。在这里,我们提出了一个3D打印的三指触觉机器人手,包括一个定制的OpenHand Model O,用于在每个手指的远端指骨中容纳TacTip柔软的仿生触觉传感器。我们期望将这种欠驱动手的抓取能力与复杂的触觉感知相结合,将导致一个有效的机器人手研究平台-触觉模型O(T-MO)。该设计使用了三个JeVois机器视觉系统,每个系统都包括一个位于触觉指尖的微型摄像头和一个位于手底部的处理模块。为了评估T-MO的能力,我们使用YCB对象集上的抓取器评估基准对其抓取性能进行基准测试。触觉感知的能力进行评估,通过执行触觉对象分类的26个对象,并预测是否把握将成功地解除每个对象。结果与最新技术水平一致,利用了应用于触觉图像输出的深度学习的进步。总的来说,这项工作表明,T-MO是一个有效的平台,机器人手的研究,我们希望它打开了一系列的应用在自主物体处理。补充视频:https://youtu.be/RTcCpgffCrQ。
2020-08-14 cs.RO
Design and stability analysis of an underactuated hand with passively rotating fingers
研究具有空间移动性的欠驱动机器人手指,通过创新设计简化运动复杂性,引入稳定性标准和差动机构,经实验验证理论结果,降低了机械复杂性等,推动了柔顺机器人手发展,为未来自主操作研究奠定基础。
2026-07-22 cs.RO
F1 Hand: A Versatile Fixed-Finger Gripper for Delicate Teleoperation and Autonomous Grasping
Preferred Networks Inc.(首选网络公司)
遥操作通常受到操作员在机器人与环境交互时做出反应和预测机器人行为的能力的限制。例如,为了抓住桌子上的小物体,遥控操作员需要在手指闭合之前预测指尖的位置,以避免它们碰到桌子。出于这个原因,我们开发了F1手,这是一种单电机夹持器,可以通过使用固定手指进行远程操作。这只手能够抓住像回形针一样薄的物体,以及像无绳钻一样重和大的物体。通过更换不同形状的固定手指,可以扩大手的适用性。这种灵活性使手具有高度的通用性,同时易于开发和廉价。然而,由于非典型的非对称结构和驱动的手通常的抓取策略不再适用。因此,我们提出了一个控制器,通过使用整个arm.F1的手和它的控制器的运动近似致动对称性进行比较并排与原来的丰田人类支持机器人(HSR)的抓地力在遥操作使用22个对象从YCB数据集,除了小的对象。抓持时间和峰值接触力可分别减少20%和70%,同时成功率提高5%。使用现成的把握姿态估计自主抓取,该系统取得了类似的成功率,原来的HSR夹持器,在80%的顺序。
2022-05-14 cs.RO
Self-Contained and Automatic Calibration of a Multi-Fingered Hand Using Only Pairwise Contact Measurements
DLR Institute of Robotics & Mechatronics(德国航空航天中心机器人与机电一体化研究所);Deggendorf Institute of Technology(代根多夫应用技术大学);Technical University of Munich(慕尼黑工业大学)
本文提出一种仅靠指尖成对接触即可自动标定多指机器人手运动学的方法,无需外部传感器,实验证明其灵敏度与视觉标定相当,能将DLR-Hand II的最大误差从17.7mm降至3.7mm。
2023-12-06 cs.RO