WristMimic: Full-Body Humanoid Control with Wrist-Guided Manipulation
Pohang University of Science and Technology (POSTECH)(浦项科技大学)
研究如何将人类物体交互演示重定向到物理模拟,提出WristMimic框架,分离无接触身体运动与手部操作,通过手腕引导,让手指从物体跟踪和接触结果学习行为,实验显示该框架在跨手部模型重定向时效果良好。
2026-07-14 cs.CV cs.GR cs.RO
RoboPack: Learning Tactile-Informed Dynamics Models for Dense Packing
Stanford University(斯坦福大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IHPC, Agency for Science, Technology and Research(新加坡科技研究局信息通信研究院);CFAR, Agency for Science, Technology and Research(新加坡科技研究局未来研究中心)
RoboPack 框架通过循环图神经网络融合视觉与触觉数据学习动力学模型,使机器人在仅约 30 分钟真实交互数据训练后即可完成非抓取式操作和密集装箱任务,并在长时域预测和实际操作中优于现有方法。
2024-07-01 cs.AI cs.LG cs.RO
Functionally Divided Manipulation Synergy for Controlling Multi-fingered Hands
Osaka University(大阪大学);Meiji University(明治大学);National Institute of Advanced Industrial Science and Technology(产业技术综合研究所)
协同提供了一个实用的方法来表达多指手的各种姿势。然而,传统的协同作用定义为再现抓取姿势不能执行通用的任务,预期多指手。锁定特定手指的位置对于多指手操纵物体是必不可少的。当使用传统的基于协同的控制来操纵对象时,这需要锁定一些手指,关节的协调受到严重限制,降低了手的灵活性。我们提出了一个功能划分的操纵协同(FDMS)方法,它提供了一个基于协同的控制,以实现降维和在手操纵。在FDMS中,首先,我们将手的每个手指的功能定义为“操纵”或“固定”。“然后,我们只对具有操作功能的手指应用协同控制,从而可以用很少的控制输入实现灵巧的操作。实验验证了该方法的有效性。
2020-03-26 cs.RO
Physics-informed Goal-Conditioned Reinforcement Learning under Hybrid Contact Dynamics
Department of Computer Science(计算机科学系)
针对接触丰富任务中混合动力学导致现有物理信息目标条件强化学习方法性能下降的问题,提出接触感知和分层公式,选择性应用物理信息归纳偏置,向接触丰富操作扩展。
2026-05-28 cs.RO cs.SY eess.SY
Active Surface with Passive Omni-Directional Adaptation of Soft Polyhedral Fingers for In-Hand Manipulation
Southern University of Science and Technology(南方科技大学)
本研究提出了一种具有主动表面和被动全向自适应网络结构的软体机器人手指,可安装于现有夹爪上,通过刚度分布设计和主动表面控制实现手内操作的稳定性与灵巧性,实验验证了其重新定位和定向物体的能力及鲁棒性。
2023-11-25 cs.RO
FingerViP: Learning Real-World Dexterous Manipulation with Fingertip Visual Perception
The Chinese University of Hong Kong(香港中文大学);The Hong Kong Polytechnic University(香港理工大学)
FingerViP通过在多指手部每个指尖安装微型摄像头,提升多视角视觉反馈,开发基于扩散模型的全身视觉-运动策略,实现复杂操作技能的学习与高成功率的现实任务执行。
2026-09-25 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
Enhancing Dexterity in Confined Spaces: Real-Time Motion Planning for Multi-Fingered In-Hand Manipulation
Swiss Federal Institute of Technology in Lausanne (EPFL)(洛桑联邦理工学院)
针对多指机械手内操作中的实时避碰难题,本文用神经网络显式建模可实时检索的无碰撞空间,并结合 C-space、动力系统闭环控制与采样规划,提升高维路径查找效率和动态避障能力。
2024-07-08 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
Everyday Finger: A Robotic Finger that Meets the Needs of Everyday Interactive Manipulation
Massachusetts Institute of Technology(麻省理工学院)
本文提出基于串联弹性驱动的紧凑型机器人手指Everyday Finger,并通过双指手在三十种日常任务中验证其操作能力。
2024-08-08 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
Compliant In-hand Rolling Manipulation Using Tactile Sensing
Center for Robotics and Biosystems and the Department of Mechanical Engineering, Northwestern University(机器人与生物系统中心和机械工程系,西北大学);Northwestern Institute on Complex Systems (NICO)(复杂系统研究所(NICO))
本文提出了一种基于触觉感知的多指机械手手握滚动操作方法,通过推导动力学方程和设计控制器实现对物体扭量的精确控制。
2026-03-04 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
GelTip: A Finger-shaped Optical Tactile Sensor for Robotic Manipulation
University of Liverpool(利物浦大学);Fuzhou University(福州大学)
感知整个手指的接触是机器人在杂乱环境中执行操作任务的基本能力。然而,现有的触觉传感器要么仅具有平坦的感测表面,要么具有有限感测区域的顺应性尖端。在本文中,我们提出了一种新的光学触觉传感器,GelTip,形状像一个手指,可以感测其表面上的任何位置的接触。该传感器捕获高分辨率和颜色不变的触觉图像,可用于提取有关末端执行器与被操纵物体相互作用的详细信息。我们的大量实验表明,GelTip传感器可以有效地定位其手指形主体的不同位置上的触点,平均定位误差约为5 mm,最佳情况下小于1 mm。所获得的结果表明,在促进动态操作任务与其全面的触觉感知能力的GelTip传感器的潜力。有关GelTip传感器的传感器型号和更多信息,请访问http://danfergo.github.io/geltip。
2020-08-12 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
FingerEye: Learning Dexterous Manipulation with Continuous Vision-Tactile Sensing
National University of Singapore(新加坡国立大学);RoboScience(机器人科学);Huazhong University of Science and Technology(华中科技大学);South China University of Technology(华南理工大学)
FingerEye通过连续视觉-触觉感知提升机器人灵巧操作,结合视觉和触觉反馈,在模拟和现实环境中使腕部策略的成功率提升超30个百分点。
2026-10-07 cs.RO
Robotic Dexterous Manipulation via Anisotropic Friction Modulation using Passive Rollers
Northeastern University(东北大学);RAI Institute(RAI研究所)
本文提出一种通过被动滚轮调节接触摩擦和约束方向的机器人指尖设计,实现了多样化的灵巧操作,包括滑动、旋转和多物体 manipulation,展示了低复杂度机械高效摩擦调节方法的优越性。
2026-03-29 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
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
The N2D Haptic Glove: A Multi-Finger Glove for 2D Directional Force Feedback for Contact Rich Manipulation
University of California San Diego(加州大学圣地亚哥分校)
提出 N2D 触觉手套,通过绞盘驱动在指尖提供二维弯曲-伸展力反馈,显著降低遥操作中的接触力误差并提高一致性。
2026-06-15 cs.RO
A Deployable Four-Finger Payload for Teleoperated Free-Flying Manipulation with Astrobee
University of California, Berkeley(加州大学伯克利分校);California Institute of Technology(加州理工学院);National University of Singapore(新加坡国立大学)
本文提出一种用于Astrobee自由飞行器的可部署四指夹爪载荷及双臂遥操作方案,通过VR界面控制17自由度,并在零重力模拟器中验证了货物搬运任务的有效性。
2026-09-23 cs.RO
GelSight Svelte Hand: A Three-finger, Two-DoF, Tactile-rich, Low-cost Robot Hand for Dexterous Manipulation
Massachusetts Institute of Technology(麻省理工学院)
本文提出 GelSight Svelte Hand,一种三指二自由度低成本触觉机器人手,通过半刚性内骨骼与软硅胶覆盖实现刚柔结合,并利用每指单摄像头获取全长触觉信号,支持精确、力量及中间抓取。
2023-09-19 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
Design of a Multimodal Fingertip Sensor for Dynamic Manipulation
Massachusetts Institute of Technology (MIT)(麻省理工学院)
我们介绍了一个球形指尖传感器的动态操作。它基于气压和飞行时间接近传感器,具有低延迟、紧凑和物理健壮的特点。该传感器使用经过训练的神经网络,根据压力传感器的数据来估计接触位置和三轴接触力,压力传感器嵌入在聚氨酯橡胶传感器的球体内。飞行时间传感器面向三个不同的向外方向,集成的微控制器以高达200 Hz的频率对每个传感器进行采样。为了量化系统延迟对动态操作性能的影响,我们开发并分析了一个称为碰撞脉冲比的度量,并描述了我们新传感器的端到端延迟。我们还提出了与传感器的实验演示,包括测量接触过渡,执行粗映射,保持与移动物体的接触力,并作出反应,以避免碰撞。
2023-03-07 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
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
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
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
Haptic-Informed ACT with a Soft Gripper and Recovery-Informed Training for Pseudo Oocyte Manipulation
Kyoto University(京都大学);Ritsumeikan University(立命馆大学)
本文提出Haptic-Informed ACT机器人系统,通过融合触觉反馈与ACT算法实现抓取失败检测与自适应校正,结合3D打印TPU软夹爪,显著提升了伪卵母细胞操作的成功率与鲁棒性。
2025-07-16 cs.RO
Experimental Characterization of Fingertip Trajectory following for a 3-DoF Series-Parallel Hybrid Robotic Finger
Department of Mechanical Engineering, Stony Brook University(机械工程系,石英布鲁克大学)
本文提出了一种三自由度连杆驱动的机器人手指,通过实验验证了其在任务空间轨迹跟踪中的高精度性能,为灵巧手部操作提供了新的基准。
2025-12-02 cs.RO
A Mechanical Screwing Tool for 2-Finger Parallel Grippers -- Design, Optimization, and Manipulation Policies
Osaka University(大阪大学);National Inst. of AIST(产业技术综合研究所)
本文提出了一种双指并联机器人手爪的机械工具及其操作策略。它主要集中在一个机构,转换为连续旋转的两指平行夹持运动,以实现紧固螺钉等任务。该工具的基本结构包括一个剪式元件(SLE)机构和一个双棘轮机构。它们一起将重复的线性运动转换为连续的旋转运动。在SLE机构的关节处,连接有弹性元件,以提供夹持工具的阻力,并在夹持器释放工具时产生扭矩输出。该工具完全是机械式的,允许机器人在没有任何外围设备和电源的情况下使用该工具。本文详细介绍了工具的设计,优化其尺寸和有效行程长度,并研究了接触和力,以实现稳定的抓持和拧紧。除了设计之外,本文还为工具开发了操作策略。这些策略包括视觉识别、拾取和操纵以及交换工具提示。所研制的工具在前端产生顺时针旋转,在后端产生逆时针旋转。各种工具提示可以安装在两端。机器人可以采用所开发的操作策略来根据特定紧固或松开任务的需要交换工具提示和旋转方向。机器人还可以使用拾取和放置或移交来重新定向工具,并使用策略将工具移动到工作姿势。所设计的工具,连同开发的操作政策,分析和验证在几个现实世界中的应用。该工具体积小,无线,方便,并具有良好的鲁棒性和适应性。
2020-06-18 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
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
Eye-in-Finger: Smart Fingers for Delicate Assembly and Disassembly of LEGO
Carnegie Mellon University(卡内基梅隆大学);Robotics Institute(机器人研究所)
本文提出“指中眼”工具设计,在工具尖端嵌入低成本高分辨率感知,通过乐高装配拆卸任务验证其能以亚毫米精度实时校正对准误差,将校准误差容忍度从0.4mm提升至2.0mm。
2025-03-10 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
PINN-Ray: A Physics-Informed Neural Network to Model Soft Robotic Fin Ray Fingers
CSIRO Robotics, Data61, CSIRO(澳大利亚联邦科学与工业研究组织机器人研究所,Data61,CSIRO);Statistical Machine Learning Group, Data61, CSIRO(统计机器学习小组,Data61,CSIRO);Computational Modelling Group, Data61, CSIRO(计算建模小组,Data61,CSIRO)
针对软体机器人替代模型精度与推理速度难兼顾、存在现实差距的问题,提出嵌入最小势能原理与高保真数据的PINN-Ray模型,经评估精度优于FEM,还配套了自动化原型制作框架。
2024-07-11 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
Tip Manipulation in Soft Everting Robots via Wall Retraction and Deployable Fingers
Harvard University(哈佛大学);Scuola Superiore Sant’Anna(圣安娜高等研究院)
本文提出一种基于壁面回缩和可展开手指的软体翻转机器人尖端操控策略,实现多工具部署与自适应抓取,支持三维操控和受限空间检查。
2026-09-22 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
Can Modular Finger Control for In-Hand Object Stabilization be accomplished by Independent Tactile Feedback Control Laws?
Technische Universität Darmstadt(达姆施塔特工业大学);Max-Planck-Institut für Intelligente Systeme(马克斯·普朗克智能系统研究所)
目前,在手操纵过程中的抓握控制通常被建模为单片任务的一部分,产生基于专门针对其情况的力控制的复杂控制器。这种非模块化的和专门的控制方法使得这些控制器难以推广到新的手持操纵任务。显然,一个抓握控制的方法,概括以及之间的几个任务将是可取的。我们提出了一个模块化的方法,每个手指由一个独立的触觉控制器控制。使用来自人类启发的biotac传感器的信号,我们可以预测未来的滑倒-并通过适当的运动动作防止它。这种防滑控制器是在单指稳定任务期间首次开发和训练的。随后,我们表明,几个独立的防滑抓地力控制器可以一起使用,没有任何形式的中央通信。所得到的方法适用于两个、三个、四个和五个手指抓握稳定控制。这种模块化的抓握控制方法具有推广到各种各样的手内操纵任务的潜力,包括抓握变化、手指步态、双手之间的对象转移以及多个对象。
2016-12-24 cs.RO
Minsight: A Fingertip-Sized Vision-Based Tactile Sensor for Robotic Manipulation
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
本文提出指尖大小的视觉触觉传感器 Minsight,利用机器学习以 60 Hz 输出三维接触力图,并通过低误差测量与两项机器人任务验证其灵巧操作价值。
2023-04-21 cs.RO
Focused Blind Switching Manipulation Based on Constrained and Regional Touch States of Multi-Fingered Hand Using Deep Learning
Waseda University(早稻田大学);Osaka University(大阪大学)
针对多指手在丰富触觉信息下高自由度运动切换困难的问题,提出结合触觉状态约束损失与注意力机制的AE-LSTM策略,在实时开盖操作中取得最佳成功率。
2025-03-10 cs.RO
Inter-finger Small Object Manipulation with DenseTact Optical Tactile Sensor
Stanford University(斯坦福大学)
本文提出利用配备DenseTact 2.0触觉传感器的八自由度夹爪,在杂乱环境中实现5-25mm小物体的精确抓取与定向,结合专用数据集和新控制算法,达到88%的抓取成功率。
2023-08-31 cs.RO
FORTE: Tactile Force and Slip Sensing on Compliant Fingers for Delicate Manipulation
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
FORTE通过柔性指尖触觉感知系统实现低延迟的力与滑动反馈,有效提升对易碎、滑腻物体的抓取精度与稳定性。
2026-01-05 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
SpikeATac: A Multimodal Tactile Finger with Taxelized Dynamic Sensing for Dexterous Manipulation
SpikeATac通过结合动态和静态触觉传感技术,实现对易碎物体的灵活操控,利用强化学习优化力调节能力。
2026-07-13 cs.RO
PLATO Hand: Shaping Contact Behavior with Fingernails for Precise Manipulation
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Sony Group Corporation(索尼集团)
本文提出PLATO手,一种具有混合指尖的灵活机器人手,通过结合刚性指甲、嵌入式远节指骨和顺应性肉垫,实现接触行为的塑造。研究开发了基于应变能的弯曲-压入模型,指导指尖设计并解释材料刚度和接触几何如何控制指尖变形分配。实验显示提升了捏合稳定性、指甲介导的背侧接触力传输和本体感觉可观察性,并成功执行了敏感边缘操控任务,如纸张分隔、卡片拾取和橙子剥皮。这些结果表明,结合机械结构的接触界面与力-运动透明手指机制提供了精确操控的原理性方法。
2026-05-18 cs.RO cs.SY eess.SY
RoTip: A Finger-Shaped Tactile Sensor with Active Rotation Capability
本文提出了一种名为RoTip的新型视觉触觉传感器,其具备独立控制的关节和全表面接触感知能力,通过主动旋转实现了对刚性和柔性日常物体的更灵巧操作。
2025-02-01 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
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
Dynamic Flex-and-Flip Manipulation of Deformable Linear Objects
The Hong Kong University of Science and Technology(香港科技大学)
本文提出了一种适用于抓取平坦表面上薄柔性线性物体的弯曲与翻转操作技术,通过机械手弯曲物体并利用其内能实现稳定捏取,该技术支持开环控制与欠驱动柔顺手指,并在机器人翻页实验中验证了其有效性与鲁棒性。
2023-04-02 cs.RO
A Quasi-Direct-Drive Underactuated Asymmetric Hand for Dexterous and Efficient Grasping and Manipulation
University of California Berkeley(加州大学伯克利分校);General Motors(通用汽车公司)
本文提出伯克利QUAD手,一种四指11自由度准直驱欠驱动非对称拟人手,通过桡侧手指灵巧驱动与尺侧手指欠驱动耦合,实现33种抓取中的29种,反向驱动力低至50克,持续负载发热量减少96倍。
2026-09-24 cs.RO
Pneumatic Shape-shifting Fingers to Reorient and Grasp
Massachusetts Institute of Technology(麻省理工学院)
我们提出了气动变形手指,使一个简单的平行钳口夹具不同的操作方式。通过改变手指的几何形状,夹持器有效地改变了手指和物体之间的接触类型,以促进不同的操纵基元。在本文中,我们展示了形状变化的手指重新定位和把握圆柱形物体的发展和应用。手指的形状根据它们内部的空气压力而变化,并在高压力值和低压力值下获得两种不同的几何形状。在我们的实施方案中,手指形状分别在高压力和低压力下在楔形几何形状和V形几何形状之间切换。使用楔形几何形状,手指在圆柱形物体上提供点接触,以在重力作用下将其枢转到垂直姿势。通过改变为V形的几何形状,手指本地化的对象在垂直的姿势,并安全地举行it.Experimental结果表明,两种接触类型之间的平滑过渡允许一个简单的夹持器的机器人重新定位一个圆柱形的物体水平躺在地上,并抓住它在一个垂直的姿势。
2018-09-22 cs.RO
Haptic Feedback Relocation from the Fingertips to the Wrist for Two-Finger Manipulation in Virtual Reality
Stanford University(斯坦福大学);Kadir Has University(卡迪尔哈斯大学)
触觉反馈从指尖到手腕的重新定位已经被认为是一种实现与混合现实虚拟环境的触觉交互同时使手指空闲用于其他任务的方式。我们提出了一对手腕佩戴的触觉触觉设备和虚拟环境,以研究手指和触觉器之间的各种映射如何影响任务性能。呈现给手腕的触觉反馈反映虚拟对象与由食指和拇指控制的虚拟化身之间发生的交互力。我们进行了一项用户研究,比较了四种不同的手指到触觉触觉反馈映射和一种无反馈条件作为对照。我们通过任务完成时间、手指和虚拟立方体的路径长度以及指尖的法向力和剪切力的大小来评估用户执行简单拾取和放置任务的能力。我们发现,多个映射是有效的,有一个更大的影响时,视觉线索有限。我们讨论了我们的方法的局限性,并描述了下一步的多自由度的触觉渲染手腕佩戴设备,以提高虚拟环境中的任务性能。
2022-11-14 cs.HC cs.RO