灵巧操作的关键所在：学习，还是柔顺性？——基于Franka机器人的实验研究

最新推荐文章于 2025-11-30 18:24:05 发布

原创最新推荐文章于 2025-11-30 18:24:05 发布 · 858 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #Franka #学习 #机器人 #柔顺性能

前言：

在机器人灵巧操作领域，如何实现高效、稳定的操作是核心挑战。传统深度强化学习（RL）方法虽能处理复杂任务，但依赖大量计算资源和精确传感，且难以解释决策过程。相比之下，顺应性（柔顺性）系统通过物理结构的自稳定特性，为灵巧操作提供了新的思路。

本文以Franka Research 3机械臂为载体，探讨顺应性在灵巧操作中的关键作用，并提出基于顺应性的操作方法，旨在解决传统RL方法在灵巧操作中的局限性。

研究载体的优越性能：Franka Research 3

FR3 的七自由度关节，高精度力控以及类人手臂的灵敏性，为这一研究提供了有力的支持。

七自由度关节：实现复杂运动，灵活适应多种操作需求；
高精度力控：实时感知并调整力度，确保操作稳定精确；
类人手臂灵敏性：适应多样工作环境，快速响应任务变化；
稳定可靠：长时间运行稳定，操作准确可靠；
易于编程与集成：提供丰富编程接口，支持与其他系统集成；

关键实验历程

实验设置：Franka Research 3 机械臂 + RBO Hand 3 柔顺手（无传感器），搭配运动捕捉系统（跟踪物体位置）

实验对比方案

基于学习的方案：采用深度强化学习（参考AnyRotate 模型），依赖视觉与触觉传感器，模拟训练约200小时优化旋转策略。

基于柔顺性的方案：使用RBO Hand 3柔顺手，无传感器，通过专家手动设计的六步开环操作序列（含 Roll、Shift 等动作）实现旋转，调优耗时约4小时。

图1；柔顺性是灵巧操作的关键，因为它能够抵抗外部干扰。我们在（A）中的手掌向上位置对开环物体旋转技能进行了编程。该技能无需修改即可转移到（B）中变化的手腕方向（见视频）。手控制器与手臂运动不同步。该演示运行了9 分36秒，无需干预，实现了九次360° 物体旋转，同时手臂完成了九个完整周期。

评估指标：单位时间内物体完整旋转次数、操作失败率、对重力方向变化的鲁棒性（通过改变手腕姿态模拟）。

AnyRotate与不需传感器方式对比

图2. 不同固定手腕姿势下的物体旋转次数。表 2 的 AnyRotate 结果也评估了单个物体的旋转轴，但它们的基准是十个物体的平均值，而我们是针对单个物体在手掌向上姿势下进行评估。

自稳定机制验证：实验中观察到，当外部干扰（如手腕姿态变化）移除后，柔顺手 - 物体系统通过弹性变形能量释放，可自动返回初始位置（偏差≤5mm），验证了 “能量漏斗” 模型的自稳定特性。

图 3. 柔顺性可使软手实现自稳定；（1）为展示该效果，将物体置于稳定平衡抓握状态。摄像头通过标记物追踪物体位置。（2）通过力传感器施加外部干扰，物体从平衡位置发生位移。（3）移除干扰力后，物体因纯粹的被动自稳定作用，大致返回到初始位置。

图 4. 自稳定漏斗的可视化，用以解释图 3 中的三个阶段。（1）我们从无干扰的抓握状态开始（物体无位移，能量无变化）。（2）类似于机械弹簧，当干扰力使物体偏离平衡抓握状态时，软手会储存势能。自稳定区域内更大的干扰会使系统在能量格局中移动得更远。（3）移除干扰力后，物体回到其最小能量构型，进入绿色的返回区域，大致对应其初始位置。

实验结果：

实验结果表明，顺应性系统能够放松对精确传感和控制的假设，通过物理结构的自稳定特性来实现稳健的操作。与基于深度RL的方法相比，顺应性方法无需复杂传感和训练过程，即可实现类似的旋转稳定性和操作效率。因此，认为顺应性是灵巧操作中一个经常被忽视但至关重要的构建模块。

具体项目链接：https://www.static.tu.berlin/fileadmin/www/10002220/Publications/Sieler-Koenig-25-GRC.pdf

我们能做什么

定制化机器人系统开发