此前，特斯拉宣布研究制作專業(yè)級別的人形機器人，這一舉動引起了廣泛關注，讓人形機器人賽道熱度暴漲。國內(nèi)外眾多企業(yè)也紛紛跟進，接連推出自己的人形機器人產(chǎn)品。

然而，當前市場上很多的人形機器人的手部設計和功能都存在一定的缺陷。

比如，小米推出的“鐵大”人形機器人，其手部像帶了一幅鯊魚手套，完全沒有手指設計，只能進行開合夾取動作。

與之類似，傅利葉智能近日發(fā)布的GR-1通用人形機器人手部也是兩片式夾爪式設計。

即便是很早就開始人形機器人研究的波士頓動力，其Atlas的手部設計也是直接用一個與肘部相似的黑色半球狀連接，后面雖然進行了改進但也僅僅是換了一個夾爪。

特斯拉的人形機器人“擎天柱”雖然對此進行了更為精細化的改進，能完成一些相對更為精細的操作，但在敏捷性方面仍然有待進步。

近日，由香港科技大學和加州大學圣地亞哥分校的幾位學者（陳啟峰1 , 尹兆恒1＋ , 王小龍2, 秦宇哲2 , 黃丙浩2+ , ）聯(lián)合發(fā)表在《arxiv》上的研究成果或許能為人形機器人手部靈活性的提升帶來一些幫助。

據(jù)悉，陳啟峰團隊推出了一種新系統(tǒng)Touch Dexterity，可以僅通過觸覺來執(zhí)行手中的對象旋轉(zhuǎn)，且不受視覺傳感限制，為多指機器人提供更加靈敏的觸覺感知。

▍人手？機械手？靈活性主要依靠啥？

通過上面的視頻，我們可以看到多指機械手不僅能夠圍繞不同軸旋轉(zhuǎn)現(xiàn)實世界的物體，還能在黑暗環(huán)境中進行手動操作。

這其中的關鍵便在于陳啟峰團隊推出的新觸覺感知系統(tǒng)Touch Dexterity。

盲人摸象的故事想必大家都聽過，觸覺信息雖不能反映全部情況，但它揭示了可能無法直接從視覺推斷出的有用聯(lián)系信息，在人類的靈活性中起著至關重要的作用。

人類可以在不使用視覺的情況下進行手動靈巧操作，那么機械手是否能具有同樣的能力？在此動機的推動下，陳啟峰團隊首先對觸摸信息的幫助進行了深度了解。

為了了解觸摸信息有何幫助，陳啟峰團隊從形狀理解的角度進行了一項研究。在訓練神經(jīng)網(wǎng)絡通過旋轉(zhuǎn)卷展來預測對象的形狀后，團隊使用它通過旋轉(zhuǎn)卷展來預測新物體的形狀。

團隊進而發(fā)現(xiàn)，只有觸摸信息出現(xiàn)在卷展欄中，才能準確地重建對象的形狀。

因此團隊決定嘗試賦予機械手觸摸能力以實現(xiàn)機械手的敏捷靈活性。

▍靈巧操縱系統(tǒng)Touch Dexterity

在經(jīng)過多次試驗后，陳啟峰團隊推出了觸覺感知系統(tǒng)Touch Dexterity，實現(xiàn)了多指機械手僅適用觸摸即可進行手動旋轉(zhuǎn)，即便在系統(tǒng)看不見的情況下，多指機械手也依然能夠圍繞不同的軸旋轉(zhuǎn)各種現(xiàn)實世界的物體。

據(jù)了解，觸覺感知系統(tǒng)Touch Dexterity由Allegro 機械手和 16 個低成本力敏電阻 (FSR) 傳感器的硬件組成。觸摸感應陣列可以提供關鍵手部物體接觸的反饋，并幫助手理解形狀，確保復雜的手部物體操作的成功。

具體來看，陳啟峰團隊棄用了傳統(tǒng)依賴小區(qū)域內(nèi)的精確觸覺傳感的設計，提出了一種新的靈巧操縱系統(tǒng)設計——使用覆蓋整個機器人手（手掌、手指鏈接、指尖）一側(cè)的密集二元力傳感器（觸摸或無觸摸）。

這不僅設計成本低廉，可以提供更大的對象覆蓋范圍，同時最小化 Sim2Real 間隙。

在學習流程方面，陳啟峰團隊通過強化學習訓練控制策略來旋轉(zhuǎn)模擬中的多個對象。多指機械手學習到的策略可以直接轉(zhuǎn)移到現(xiàn)實中并泛化到看不見的新物體。

由于系統(tǒng)不依賴于視覺，這為靈巧操縱系統(tǒng)在難以獲得可靠視覺輸入的復雜現(xiàn)實場景中的應用提供了巨大優(yōu)勢。

值得一提的是，結(jié)合各種學習的對象旋轉(zhuǎn)原語，Touch Dexterity還提供了方便人類共享的控制界面，擦左元可以使用鍵盤控制系統(tǒng)重新定向?qū)ο蟆?/p>

▍結(jié)語

Touch Dexterity系統(tǒng)對于機械手敏捷靈活性的提升效果顯而易見，特斯拉擎天柱手部做了11個精細的自由度的設計顯然是想要充分發(fā)揮人形機器人手部的作用?？梢宰屒嫣熘诤跓艄S中摸黑干活的Touch Dexterity，馬斯克看了都要心動吧！