此前，特斯拉宣布研究制作专业级别的人形机器人，这一举动引起了广泛关注，让人形机器人赛道热度暴涨。国内外众多企业也纷纷跟进，接连推出自己的人形机器人产品。然而，当前市场上很多的人形机器人的手部设计和功能都存在一定的缺陷。

比如，小米推出的“铁大”人形机器人，其手部像带了一幅鲨鱼手套，完全没有手指设计，只能进行开合夹取动作。与之类似，傅利叶智能近日发布的GR-1通用人形机器人手部也是两片式夹爪式设计。即便是很早就开始人形机器人研究的波士顿动力，其Atlas的手部设计也是直接用一个与肘部相似的黑色半球状连接，后面虽然进行了改进但也仅仅是换了一个夹爪。特斯拉的人形机器人“擎天柱”虽然对此进行了更为精细化的改进，能完成一些相对更为精细的操作，但在敏捷性方面仍然有待进步。

灵巧操纵系统Touch Dexterity问世

近日，由香港科技大学和加州大学圣地亚哥分校的几位学者（陈启峰1 , 尹兆恒1＋ , 王小龙2, 秦宇哲2 , 黄丙浩2+ , ）联合发表在《arxiv》上的研究成果或许能为人形机器人手部灵活性的提升带来一些帮助。据悉，陈启峰团队推出了一种新系统Touch Dexterity，可以仅通过触觉来执行手中的对象旋转，且不受视觉传感限制，为多指机器人提供更加灵敏的触觉感知。

为了了解触摸信息有何帮助，陈启峰团队从形状理解的角度进行了一项研究。在训练神经网络通过旋转卷展来预测对象的形状后，团队使用它通过旋转卷展来预测新物体的形状。团队进而发现，只有触摸信息出现在卷展栏中，才能准确地重建对象的形状。因此团队决定尝试赋予机械手触摸能力以实现机械手的敏捷灵活性。

在经过多次试验后，陈启峰团队推出了触觉感知系统Touch Dexterity，实现了多指机械手仅适用触摸即可进行手动旋转，即便在系统看不见的情况下，多指机械手也依然能够围绕不同的轴旋转各种现实世界的物体。据了解，触觉感知系统Touch Dexterity由Allegro 机械手和 16 个低成本力敏电阻 (FSR) 传感器的硬件组成。触摸感应阵列可以提供关键手部物体接触的反馈，并帮助手理解形状，确保复杂的手部物体操作的成功。

具体来看，陈启峰团队弃用了传统依赖小区域内的精确触觉传感的设计，提出了一种新的灵巧操纵系统设计——使用覆盖整个机器人手（手掌、手指链接、指尖）一侧的密集二元力传感器（触摸或无触摸）。这不仅设计成本低廉，可以提供更大的对象覆盖范围，同时最小化 Sim2Real 间隙。

在学习流程方面，陈启峰团队通过强化学习训练控制策略来旋转模拟中的多个对象。多指机械手学习到的策略可以直接转移到现实中并泛化到看不见的新物体。由于系统不依赖于视觉，这为灵巧操纵系统在难以获得可靠视觉输入的复杂现实场景中的应用提供了巨大优势。值得一提的是，结合各种学习的对象旋转原语，Touch Dexterity还提供了方便人类共享的控制界面，擦左元可以使用键盘控制系统重新定向对象。

让机械手像人手一样精准地操纵物体

AI机械手你是否听说过？为了让机械手像人手一样精准地操纵物体，其实很多科研团队已经在这方面做了很多研究。比如马斯克创办的非盈利性人工智能组织Open AI曾经展示的一项研究成果：让机械手像人手一样精准地操纵物体。

这套AI系统名叫Dactyl，它不仅能像人类一样持握和操纵物体，而且还能根据人工智能技术自行开发不同的动作和行为。比如，就像图中的正方体，它可以在没有人指挥手指用力方向的情况下，把正方体转到指定的方向，它收到的指令也仅仅是木块的朝向 (I在前，E在左，N在上) 而已。只不过，它的动作并不像人类盘核桃那样一气呵成，可以明显看出每个动作之间都略有迟钝。

那么，这支机械手是如何学习的呢？首先，研发者们会教导机械手按照指令，将六面立方体中的正确颜色翻转出来；然后开始改变周围环境的灯光，以及立方体的颜色、重量和纹理等；甚至还会改变训练过程中的重力环境因素。

这种虚拟环境的训练模式不会耗费现实世界的时间。目前Dactyl已积累了大约100年的训练经验，但这个过程只相当于现实世界中的50小时。也就是说，一个人需要花100年积累的经验，机械手两天时间就能全部学习完成。经过神经网络训练的过程机械手，也自学了许多不同的分解动作。比如下图，用两个手指轻轻夹住方块，再用其他手指拨一拨，方块就转起来了。

不过，研发这种AI的技术成本可是非常高的。按照Open AI给出的数据，Dactyl 的训练设备动用了约 6144 颗 CPU，以及 8 颗来自 Nvidia 的 V100 GPU，而这种规模的基础硬件只有很少数的研究机构才能够使用。

五指机械手的前身：二指夹具。就像智能手机一样，任何科技产品都有更新迭代的过程。Dactyl也不例外，别看它现在有五根手指，但在最初，它只有2根手指。

不止Open AI，很多组织在最初研制机械手时，都会先把二指夹具作为自己的初始目标，因为它控制相对简单，成本相对低廉，对于那些靠抓住、放开就能解决的问题来说，二指机械臂的确是个好选择。比如Google，曾经出动了大量的二指夹具来学习抓取。在斯坦福某试验室中，这个能抓锤子的二指机械臂也是如此。

不过Dactyl目前仍有软肋，那就是它还没有接受操控多个物体的训练，并且抓取球形物体很费劲。研发人员也会在后期的研制和训练中对它进行改进。如果成功的话，这在未来用机械手代替人工从事复杂的安装等工作时会派上大用场哦。

机器学习会随着时间的推移而改进，随着人工智能和硬件的发展，机械手像人手一样精准地操纵物体相信不会太遥远。

文章来源： 机器人大讲堂，苏科家园