SCHUNK SVH五指灵巧手 | 熵洛智能

原创 已于 2023-03-07 14:46:27 修改 · 1k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #机器人 #学习方法

于 2023-03-07 14:42:16 首次发布
雄克的五指机械手系列具备高精度抓取能力，其9个驱动器的指骨设计能模拟人手动作。内置电子装置集成于腕关节，实现低能耗且适用于移动应用。这款机械手提供左右手版本，通过标准接口兼容各类工业和轻型机器人，开启了新的抓取任务及人机交互可能性。

雄克仿真五指机械手产品系列可以如人手操作那般完美地完成抓取操作。电子装置完全集成于腕关节中，使五指机械手几乎可以完成所有的人体手部动作。

凭借带有9个驱动器的运动指骨，机械手可高精度地 执行多种抓取操作。富有弹性的抓取表面确保了对物体的可靠抓取。除了开启抓取和操作任务的全新领域之外，雄克还为在五指机械手的手势基础上进行人与机器人的交流开创了无限可能。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

产品特点：

机械手有左手或右手两种版本

最低0.47元/天 解锁文章
(源码)基于ROS和MoveIt的Schunk SVH机器人手势控制系统.zip
04-09
通过结合计算机视觉技术与机器人控制，项目实现了使用单目摄像头捕捉真实手势并控制Schunk SVH 5指9自由度机械手的功能。主要利用Google的MediaPipe包进行手指姿态识别和姿态估计，从而实现直观且无缝的机器人手势...
雄克SCHUNK机械手在医疗行业的应用.rar
09-20
7. **智能感知**：通过集成传感器和人工智能算法，SCHUNK机械手能够识别和适应不同情况，例如在触觉反馈下调整力道，避免对脆弱组织的损害。 8. **可定制化设计**：医疗行业需求多样，SCHUNK机械手可以根据具体应用...
SCHUNK机械手臂灵巧手使用日志3——ROS环境的配置
weixin_30635053的博客
04-28 338
这个BT的SCHUNK要用ROS环境来编译和运行程序，于是只好进行学习。 具体参照http://www.ros.org/wiki/和http://www.ros.org/wiki/groovy/Installation/Ubuntu 看了半天，发现很多都是不痛不痒的事（当然，出于严谨，肯定有些细节都要写到）。 要配置ROS环境，只需要在终端（Ctrl+Alt+T调出）依次输入（复制粘贴，必须...
干货 | 机器人中的“百达翡丽” — 五指精密仿生灵巧手技术浅析
小米云技术
04-06 9943
“灵巧手作为机器人操作和动作执行的末端工具在机器人学领域被称之为末端执行器(End-Effector)，如同“百达翡丽”般昂贵和精密。本期技术干货，我们邀请到了小米工程师——张佳俊，以机器人多指灵巧手为主要讨论对象，从灵巧手的发展历程到具体传动形式实现，结合部分案例全方位多角度阐述灵巧手的发展与应用。”一、前言末端执行器是机器人执行部件的统称，一般安装于机器人腕部的末端，是直接执行任务的装置。末端...
SCHUNK机械手臂灵巧手使用日志2——ubuntu系统安装
weixin_30797199的博客
04-28 249
上篇随便写到，配了一台500G的电脑，如果单纯用来装ubuntu系统有点太浪费。 于是，安装win8和ubuntu 12.04的双系统 win8的安装文件采用**** ubuntu的安装文件采用 都用urltraiso制作成u盘启动 用DM分区（建议使用老毛桃）先将500G硬盘，给win8：80G+120G+120G，剩余的180G（先不要用分区格式化，安装ubuntu时再对这剩余的容量...
集成联动驱动仿人机器人手
小怪物爱吹牛的博客
10-19 1616
灵巧的手
欠驱动Or全驱动？——关于机械手驱动方式的介绍与更优选择（以德国Schunk Hand为例）
热门推荐
gaoyan0335的专栏
01-07 1万+
这篇文章主要将介绍机械手两种不同驱动方式——即欠驱动和全驱动的定义、应用背景、优劣性能等特性，并将以雄克灵巧手为例，讨论现阶段机械手驱动方式的更优选择方案。 定义： 首先先来明确欠驱动和全驱动的定义（在机械设计领域）：欠驱动 系统执行器的数目小于其自由度数目；全驱动 系统执行器的数目等于其自由度数目； 实际上欠驱动和全驱动两者的定义和区别很简单，举个简单而经典的例子：倒立摆（Inverted Pe...
灵巧手概览
MzKyle的博客
07-04 1984
灵巧手技术演进与创新趋势 灵巧手技术经历了从仿生学启蒙到标准化生态构建的五个发展阶段（1960至今），核心技术突破体现在结构仿生、感知增强、智能控制和材料创新四大维度。机械结构方面，典型五指灵巧手具备21-23个自由度，钛合金关节和UHMWPE腱绳等材料创新显著提升性能。驱动系统呈现电机、智能材料、流体和混合驱动四大技术流派，其中特斯拉Optimus的腱绳传动系统将手指模块重量减少55%。感知系统通过多模态传感器融合实现0.1mm空间分辨率和0.01N力控精度。
Shadow Hand 灵巧手
ZhuBin365的博客
06-02 1191
五指灵巧手（Shadow Dexterous Hand）：24个自由度（20个电机腱驱动，4个欠驱动），模仿人手运动范围，支持内收/外展等精细动作，配备 129个传感器（位置、力、触觉等，运行频率 1KHz），集成ROS系统，可搭配 Shadow Glove数据手套 实现遥操作（延迟低至4ms，支持5G/Wifi跨区域控制）。- 双边配置（双手控制），手套与灵巧手 动作同步精度达99%，支持跨洲远程操作（如核能设施维护、太空探测任务），延迟≤4ms（960Hz时达1ms）。
雄克SCHUNK机械手在医疗行业的应用.pdf
09-12
本文主要探讨了雄克SCHUNK机械手在医疗行业的具体应用和其带来的显著效果。雄克SCHUNK作为知名的机械手制造商，其产品在医疗设备自动化生产中扮演了重要角色。尤其是在2020年新冠疫情背景下，对于呼吸机过滤器等医疗...
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1225
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1829
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
07_Spring AI 干货笔记之提示词
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 1121
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
RAG信息检索全解析：从Embedding到Reranker的超详细教程1
Trb201013的博客
11-27 1450
文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。
【LLM】DeepSeekMath-V2模型
发现问题，并解决问题，批判性思维
11-29 839
研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。 研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。 相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep
LMM-Det：让大型多模态模型在目标检测中脱颖而出
AI浩
12-01 738
大型多模态模型因其在多模态理解、推理和上下文学习等方面的卓越能力，在人工智能研究和工业界引起了广泛的关注和兴趣。虽然 LMM 在图像描述、视觉问答和视觉定位等多模态任务上已展现出有前景的结果，但其目标检测能力与专业检测器相比仍存在显著差距。为弥补这一差距，我们摒弃了将重型检测器与 LMM 集成的传统方法，提出了 LMM-Det，这是一种简单而有效的方法，它利用大型多模态模型进行纯目标检测，而无需依赖专门的检测模块。
昇腾平台 vLLM 部署与性能优化实战：高吞吐推理落地指南
最新发布
二哈喇子！
12-01 3490
昇腾平台vLLM部署与性能优化实战摘要
卫星遥感落地林草监测：多源数据融合+AI算法
okk202586的博客
11-27 607
全面完善昌吉州林草资源网络感知体系，建立全州林草资源一体化综合管理平台，全面加强林草安全防火监测预警、有害生物防治信息化、林草资源监管能力，实现林草资源、安全防火、有害生物防控、林长制监督管理等。在不同区域、不同场景下的落地能力，案例可以充分说明，智慧林草并非单纯的技术堆砌，而是真正贴合林草业务流程、解决实际问题的“实战型”方案，太空守护林海正在变成可能~根据林草业务需要，建设林长制、资源监管、生态保护、生态修复、灾害防护、科技创新等六类业务系统，构建智慧林草综合监管业务系统体系，全面支撑林草业务。
【人工智能】【深度学习】 ② GAN核心算法介绍：生成器与判别器的博弈艺术
xiezhiyi007的专栏
11-27 1002
本文为【人工智能】【深度学习】系列第②篇，深入浅出讲解生成对抗网络（GAN）的核心原理。从“造假者 vs 警察”的大白话比喻出发，逐步推导极小极大博弈公式，详解生成器与判别器的对抗机制，并对比 CNN、RNN 的本质差异。附带完整 PyTorch 代码实现（逐行注释），涵盖 DCGAN 架构、训练流程与工程技巧，适合零基础读者入门生成式 AI。结尾预告下一期 Transformer 主题，延续系统化学习路线。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值