为什么这个机器人会慢慢放下物体?
摘要
研究人员通过使用触觉传感和先进的摩擦模型,控制滑动,使简单的机器人夹爪能够实现精确的手内物体操作,模仿人类灵巧性。
<blockquote>
<p>这是一个科普演示,我在此探讨我的博士研究,关于使用机器人夹爪和触觉传感的手内滑动操作。</p>
<p>重点一直是摩擦建模和通过触觉传感的感知。当你想到机器人夹爪的灵巧性时,简单的平行夹爪可能不是首选。</p>
<p>这段视频基于我的研究论文:</p>
<p>"Planar friction modeling with LuGre dynamics and limit surfaces"
发表于 IEEE Transactions on Robotics (T-RO)。 <a href="https://arxiv.org/abs/2308.01123v3" rel="ugc">https://arxiv.org/abs/2308.01123v3</a></p>
<p>"Perception, control, and hardware for in-hand slip-aware object manipulation with parallel grippers" 发表于 International Journal of Robotics Research (JRR)。 <a href="https://arxiv.org/abs/2410.19660" rel="ugc">https://arxiv.org/abs/2410.19660</a></p>
<p>"Friction Estimation for In-Hand Planar Motion" (ISER 2025)。 <a href="https://arxiv.org/abs/2507.06824" rel="ugc">https://arxiv.org/abs/2507.06824</a></p>
<p>"Deformable In-Hand Slip-Aware Tactile Sensor with Integrated Velocity, Force/Torque, and Pressure Map Sensing" 正在投稿中,预印本可在 arXiv 获取。 <a href="https://arxiv.org/abs/2606.11952" rel="ugc">https://arxiv.org/abs/2606.11952</a></p>
<p>视频中展示的部分工作尚未提交发表。</p>
</blockquote>
<p><a href="https://lobste.rs/s/ml3mgf/why_is_this_robot_slowly_dropping_object">评论</a></p>
查看缓存全文
缓存时间: 2026/09/09 15:20
# 为何机器人缓慢放下物体?
**摘要:** 通过触觉传感与先进摩擦模型,研究人员使简易机械夹爪能够通过受控滑动实现精确的手中物体操作,以极简机械结构模拟人类手部灵巧性。
## 受控滑动的悖论
传统机器人设计追求牢固抓握以杜绝滑动。但本研究颠覆了这一理念:不再对抗滑动,而是通过精密设计与控制将其转化为操作手段。其核心在于仅用单自由度(平行夹爪开合)的简易机械结构实现灵巧操作。通过允许并调控物体在夹爪内的滑动,复杂的手中运动成为可能。
该方法直指机器人学的核心难题——人类手部直觉式灵巧性与机械复现之间的鸿沟。人手控制看似轻松自然,但程序化复现时才会发现其复杂性。研究探索了如何不依赖复杂仿手结构,而是通过集成智能感知与控制的简易夹爪实现精细操作。
## 从简易夹爪到复杂运动
平行夹爪面临一个有趣的控制挑战:虽然夹爪本身仅具单自由度(夹持力),但其夹持的物体理论上可在平面内运动——包括X/Y方向平移与旋转。这种欠驱动系统迫使研究者寻找创造性方案,用单一输入控制三自由度运动。
关键突破在于聚焦夹爪与物体间的相互作用力。合力决定了物体运动轨迹。通过持续调节夹持力,机器人可控制可用摩擦力,进而平衡或打破重力等作用力,引发受控滑动。然而实现精准控制的前提是感知交互过程,这正是触觉传感发挥核心作用的环节。
## 专用触觉传感的需求
传统力/扭矩传感器无法胜任此类任务。它们虽能测量接触力,却缺乏动态滑动控制所需信息。例如匀速滑动物体的合力为零,其切向力读数与静止物体完全相同,这种模糊性阻碍了精确运动追踪。
研究团队寻求直接测量滑动速度的方案,其灵感来源于计算机鼠标的光学传感器——这类器件擅长表面运动追踪。通过将多个光学传感器集成到定制触觉单元中,实现了线性(X-Y)速度与旋转速度的同步测量。
## 摩擦复杂性的建模
摩擦并非固定简单的力,其在线性与旋转复合滑动时呈现复杂行为。研究采用两个关键模型:
* **极限曲面模型:** 该模型描述线性摩擦与旋转摩擦的相互关系,阐明一种运动可用的摩擦力如何随另一种运动状态变化。例如纯线性滑动时所有摩擦矢量方向一致,对旋转扰动毫无抵抗——这解释了滑动物体为何容易自发旋转。
* **LuGre动态摩擦模型:** 该模型刻画了静摩擦与动摩擦的差异等现象,解释物体开始滑动时产生的振荡现象,这也是刚性接触面会导致不稳定滑动的根本原因。
研究重点在于融合两种模型的优势,为手中操作过程中的物体行为提供更精确预测。
## 柔性集成触觉传感器的开发
初期采用刚性接触垫的原型机表现出滑动不流畅的问题。受软性材料更平滑运动表现的启发,最终传感器设计采用了柔性可变形界面:
**传感器设计:**
* 采用**TPU 3D打印柔性接触垫**作为物体界面
* 内置两个**光学鼠标传感器**直接测量表面速度
* 接触垫内嵌入十二个小型**磁铁**
* 配备含十三个**霍尔效应传感器**的电路板,通过检测磁场变化推算接触垫形变
该装置可同步测量:
1. **滑动速度**(通过光学传感器)
2. **接触力与压力分布**(通过磁场变化推算接触垫形变,需借助神经网络模型)
这种柔性机械结构与丰富传感的融合,体现了"具身智能"理念——机械设计本身解决了部分控制难题,使算法能专注于更高层次目标。
## 控制与应用演示
改进后的柔性触觉传感器显著提升了滑动流畅度。机器人通过单一自由度控制,实现了四种差异化接触行为的管理。结合机械臂运动,这些行为模式可组合完成多种手中操作:
* **旋转滑动控制:** 调节夹持力使物体按设定速度旋转,或反向操作使物体固定而夹爪绕其旋转。
* **外力利用:** 由于夹爪仅控制作用力,合力方向(即物体运动轨迹)可受重力与机械臂运动引导,实现物体手中姿态与位置的调整。
这项研究证明:灵巧性并非复杂仿人机械手的专利。凭借精密的摩擦建模与创新触觉感知,即使简易平行夹爪也能通过滑动机制完成细腻的受控操作。
来源:为何机器人缓慢放下物体?(https://youtu.be/DqMjxcfm4Ek)
相似文章
Grabette:一个用于记录机器人操作数据的开放系统
Grabette 是一个开放、低成本的系统,通过手持夹爪和摄像头记录机器人操作数据,旨在构建用于机器人学习的共享数据集。
Gemini Robotics 2 执行高难度灵巧任务
来自 Google DeepMind 的 Gemini Robotics 2 展示了机器人使用不同末端执行器时的高级物理灵活性,从而实现了更有用的机器人能力。
DragMesh-2:与铰接物体的物理合理灵巧手-物体交互
本文介绍了DragMesh-2和PICA方法,用于通过模拟中的接触感知强化学习来学习与铰接物体的物理合理灵巧手-物体交互,在没有明确触觉反馈的情况下实现有效操作。
学习灵巧性
OpenAI 宣布推出 Dactyl,这是一个通过模拟和强化学习来学习机器人手灵巧性的系统,使用 LSTM 来在不同物理环境中泛化,并通过 Rapid PPO 实现来训练能够迁移到现实世界操纵任务的策略。
一位DeepMind科学家用一个10美元的五金店夹具替换了真实的机器人手——并证明硬件从来不是瓶颈
前DeepMind科学家Pete Florence通过使用一个简单的夹具和相机证明了在机器人学中智能比硬件更为关键,这帮助他的公司Generalist获得了一轮2亿美元的融资。