当前，许多机械手将它们所有强大的传感器都装在指尖上，所以，一个物体必须与这些指尖完全接触才能被识别，这可能需要多次抓取。还有其他设计，比如使用分布在整个手指上的分辨率较低的传感器，但这些传感器不能捕捉到太多细节，因此通常需要多次重复。

手，一种人类特有的器官，是漫长进化史的完美造物。它灵敏、又实用，能攀爬，能抓握，能使用工具，还能传情达意。我们能看到，很多机械手都在模仿人类手部结构，但它们要么过于笨拙，要么过于刚硬。而好的机械手应该“刚柔并济”，才能真正接近人类之手。而且，它理应在某些方面胜过人类。正如此次介绍的手，除了恰到好处的柔韧，它还搭载有触摸传感器，能够捕获所握对象的丰富数据，从而正确进行识别和处理。

与众不同的三指机械手

受人类手指的启发，近日，麻省理工学院（MIT）的研究人员开发了一种机器人手，它使用高分辨率触觉感应，在抓取一次物体后就能准确识别出物体。其坚硬的骨架包裹着柔软的外层，在其透明的“皮肤”下集成了多个高分辨率传感器。这些传感器使用摄像头和LED来收集物体形状的视觉信息，并沿着手指的整个长度提供连续的传感。每根手指都能同时获取物体多个部分的丰富数据。

利用这种设计，研究人员制造了一只三指机械手，它可以在一次抓取后就能识别物体，准确率约为85%。坚硬的骨架使手指足够强壮，可以拿起重物，比如钻头；而柔软的皮肤使它们能够安全地抓住柔韧的物品，比如空塑料水瓶，而不会压碎它。

其中，机器人手指由3D打印的刚性内骨骼组成，内骨骼放在模具中，并包裹在透明的硅胶“皮肤”中。在模具中制作手指，就不需要紧固件或粘合剂来固定硅胶。研究人员设计了一个弯曲形状的模具，这样机器人的手指在静止时就会像人类的手指一样微微弯曲。桑德拉·刘解释道：“硅胶弯曲时会起皱，所以我们认为，如果我们把手指塑造在这个弯曲的位置，当你弯曲它来抓住一个物体时，就不会产生那么多皱纹。皱纹在某些方面是有好处的（它们可以帮助手指顺畅、轻松地沿着表面滑动），但我们不想要我们无法控制的皱纹。”

当然，在对手指制造过程进行微调的过程中，研究人员遇到了几个障碍。首先，随着时间的推移，硅胶会从表面脱落。桑德拉·刘和她的合作者发现，他们可以通过在内骨骼关节之间的铰链上添加小曲线来限制这种剥落。当手指弯曲时，硅胶的弯曲会沿着微小的曲线分布，从而减少压力，防止脱皮。他们还在关节处增加了折痕，这样当手指弯曲时硅胶就不会被压扁。在对他们的设计进行故障排除时，研究人员意识到，硅胶中的皱纹可以防止皮肤撕裂。桑德拉·刘说：“皱纹的用处是我们偶然发现的。当我们在表面合成它们时，我们发现它们实际上使手指比我们预期的更耐用。”

全手指集成高分辨率传感器

三指机械手，每根手指的内骨骼都包含一对详细的触摸传感器，被称为“GelSight”传感器，嵌入在透明皮肤下面的顶部和中间部分。传感器的放置使摄像头的范围略有重叠，使手指在整个长度上都能连续感知。GelSight 传感器基于阿德尔森教授团队首创的技术，由一个摄像头和三个彩色LED组成。当手指握住一个物体时，彩色LED从内部照亮皮肤，摄像头就会捕捉到图像。使用出现在柔软皮肤中的照明轮廓，一种算法执行向后计算，以将轮廓映射到被抓取物体的表面上。研究人员训练了一个机器学习模型，使用原始的相机图像数据来识别物体。

GelSight 触觉传感器：表面柔软、分辨率高，能复刻整块饼干的形状和纹理。GelSight 最初是为测量目标表面的三维形状和纹理而设计的，由覆盖有反射涂层膜的透明弹性体板组成。当物体被压在弹性体上时，薄膜会变形，呈现物体表面的形状，但具有一致的反射率。例如研究人员以奥利奥饼干为例，将饼干压在弹性体板的表皮上，从后面看，薄膜能够完全复刻出饼干的形状和纹理。

“这个触觉传感器其实是一个非常新的处理系统，目前还处于研究阶段，它最大的特点就是可以以整张图像的形式输入，而其它的传感器可能只有十几个电极，这就极大的丰富了触觉的感知能力。”研究人员补充道，“GelSight 触觉传感器的一大优点是成本更低，而且能够返回高密度的光学信息，能够更好的获得触觉端对物体的感知情况。”研究中用到的触觉传感器 GelSight 同样出于 MIT 实验室，最初是 MIT CSAIL 感知科学小组教授 Edward H. Adelson 2009 年的研究成果，近年来逐步研发并应用于机器人触觉中。

三指机械手深度学习

影响物体识别的因素有很多，比如物体的质量、重心、摩擦力等参数可能会影响实验结果，但哪一部分占主导作用却未知，所以需要机器人具备分析能力，自己从触觉传感器的反馈信息当中搜集完成这个任务所需要的信息。

触觉探索第一步：通过倾斜＋摇晃，机械手得到不同物体的物理特征。研究方法由两个主要部分组成，一个信息融合模型和一个正向动力学模型。研究人员首先让机械手执行两个动作，分别是倾斜和摇晃，这是一种手持式物理特征探测方法，帮助机械手进行触觉探索。一旦机械手学会嵌入物体的物理参数，正向动力学模型就会通过特征向量和控制参数来产生起摆运动，以实现物体的精准识别。研究人员说道，“我们想让机器人去感觉一个未知的物体，通过让它完成特定的操作来感知物体的物理信息，然后我们可以借助这个物理信息应用到控制系统中。”

在训练初始一定伴随着很多困难，但这些都没能难住他们。在机器人完成任务时，从触觉信号的时间序列中可以观察到不同的摩擦和震动，研究人员用一个循环神经网络（RNN）来处理获得相应的特征，可以获取有关摩擦力和惯性矩的信息。然后，一个由若干多层感知器（MLP）组成的信息融合模型会将以上两步中收集到的物理特征进行整合分析，得到一个低维的物理特征概括，这也就是机器人获取自我分析能力的基础。在机器人具备自我分析能力后，才迎来了研究的重点——一次抓握精准识别。

进一步研发感知手掌

这项研究的第一作者是MIT的机械工程博士生Sandra Liu，她目前在Edward Adelson 教授领导的感知科学小组中进行研究工作。该研究将在 RoboSoft 会议上展示。

这项研究为机械手的发展带来了新的可能性，一次抓握精准识别大大提升了速度和效率，“我们的目标是将人手的功能尽可能赋予给机器人，它可以完成其他机器人手指目前无法完成的任务，”Sandra Liu说：“未来我们考虑进一步研发具有感应功能的手掌，更好地进行触觉区分。”未来，研究人员还希望改进硬件，以减少硅胶随时间的磨损量，并为拇指增加更多的驱动力，使其能够执行更广泛的任务。

文章来源： 电子发烧友，机器人大讲堂，知新了了