基于实时雅可比估计的仿人手掌内运笔控制

使用仿人手对抓握物体进行灵巧的手内操作，是机器人灵巧性领域尚未解决的前沿挑战。手-物交互中丰富的接触特性和高度动态的本质，往往导致基于学习的方法需要付出大量的建模或数据收集努力。用于强化学习（RL）的现代仿真器无法完全复现所需的接触复杂性，而为模仿学习（IL）采集灵巧操作示范也依然是一个悬而未决的难题。在本研究中，我们提出了一种具身控制方法，该方法基于在实体机器人上手与物体组合系统的实时任务雅可比估计。仅利用笔记本电脑的 CPU，该控制器在大约 18 秒的初始化后即可开始手内握笔书写，并在无需手-物解析运动学/接触模型、仿真训练或预先采集的任务示范的情况下持续进行在线自适应。我们证明了相同的估计器/控制器表述能够适用于三种仿人机械手系统（一套实体，两套仿真），通过与具身形态无关的表述展示了类人的握笔手内协调运动。在实体机器人进行的空中和纸面书写测试中，所书写的字母与几何图形均达到了亚毫米级的平面精度（各次运行的平均误差为 0.6 mm）。据我们所知，这是首次展示仿人手纯粹依靠手内运动操纵抓握的笔书写任意单笔画轨迹，同时也展示了一种替代强化学习和模仿学习等重算力、重数据方法的途径，即通过计算简便且数据高效的算法实现灵巧操作。