Robotic In-Hand Manipulation for Large-Range Precise Object Movement: The RGMC Champion Solution

📄 arXiv: 2502.07472v2 📥 PDF

作者: Mingrui Yu, Yongpeng Jiang, Chen Chen, Yongyi Jia, Xiang Li

分类: cs.RO

发布日期: 2025-02-11 (更新: 2025-03-21)

备注: Accepted by RA-L. Project website: https://rgmc-xl-team.github.io/ingrasp_manipulation

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出基于运动学轨迹优化的灵巧手内操作方法，无需预训练或物体几何信息，实现大范围高精度物体操作。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 灵巧手操作 手内操作 运动学轨迹优化 机器人抓取 无模型控制

📋 核心要点

  1. 灵巧手内操作是重要的机器人技能，但现有方法难以同时实现大范围、高精度和稳定的抓取。
  2. 本文提出一种基于运动学轨迹优化的方法，无需预训练或物体几何信息，即可实现大范围高精度操作。
  3. 该方法在ICRA 2024 RGMC竞赛中获得手内操作赛道冠军，验证了其在真实场景中的有效性。

📝 摘要（中文）

本文提出了一种基于灵巧手的抓取内物体操作方法，旨在通过手指运动在稳定抓取的前提下，实现物体到期望姿态的大范围高精度移动。该方法基于运动学轨迹优化，无需预训练或物体几何信息，易于应用于真实场景中的新物体。该方法在ICRA 2024机器人抓取与操作竞赛（RGMC）中获得了手内操作赛道的冠军。本文详细介绍了实现细节、讨论，并提供了进一步的定量实验结果，旨在全面评估该方法并分享竞赛中的关键经验。补充材料包括视频和代码。

🔬 方法详解

问题定义：论文旨在解决灵巧手在稳定抓取物体的前提下，如何仅通过手指运动实现物体大范围、高精度的姿态调整问题。现有方法通常依赖于预训练模型或精确的物体几何信息，限制了其在未知物体和真实场景中的应用。此外，维持抓取的稳定性也是一个挑战。

核心思路：论文的核心思路是利用运动学轨迹优化，直接在关节空间规划手指的运动轨迹，从而驱动物体达到目标姿态。通过优化算法，在满足关节运动约束和抓取稳定性的前提下，找到最优的轨迹。这种方法避免了复杂的动力学建模和物体几何重建，提高了算法的鲁棒性和泛化能力。

技术框架：整体框架包括以下几个主要步骤：1) 定义初始抓取姿态；2) 确定目标物体姿态；3) 基于运动学模型，建立手指关节运动与物体姿态变化的映射关系；4) 构建优化目标函数，包括物体姿态误差、关节运动平滑性、抓取稳定性等；5) 使用优化算法（如序列二次规划SQP）求解最优的关节运动轨迹；6) 控制机器人执行轨迹。

关键创新：该方法最重要的创新在于其简洁性和实用性。它避免了对物体几何信息的依赖，也无需进行耗时的预训练。通过直接在运动学层面进行轨迹优化，实现了对未知物体的快速适应和精确操作。此外，该方法在优化目标函数中考虑了抓取稳定性，保证了操作过程中的抓取可靠性。

关键设计：关键设计包括：1) 运动学模型的选择，需要精确描述手指关节与物体姿态之间的关系；2) 优化目标函数的构建，需要平衡物体姿态误差、关节运动平滑性和抓取稳定性之间的关系；3) 优化算法的选择，需要保证求解效率和收敛性。具体而言，抓取稳定性可以通过力/力矩闭合度量进行量化，并作为约束条件加入到优化问题中。姿态误差可以使用四元数或旋转矩阵的距离度量。关节运动平滑性可以通过最小化关节加速度或力矩的变化率来实现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该方法在ICRA 2024 RGMC竞赛的手内操作赛道中获得了冠军，验证了其在真实场景中的有效性。实验结果表明，该方法能够实现大范围（例如，物体旋转超过90度）和高精度（例如，姿态误差小于5度）的物体操作。与传统的基于预训练或物体几何信息的方法相比，该方法具有更好的泛化能力和鲁棒性。

🎯 应用场景

该研究成果可应用于各种需要灵巧手操作的场景，如：工业自动化中对零件的精细装配、医疗手术中对微小器械的操控、以及家庭服务机器人中对日常物品的整理等。该方法无需预训练和物体几何信息，使其在处理未知物体和复杂环境时具有更大的优势，有望提升机器人操作的智能化水平。

📄 摘要（原文）

In-hand manipulation using multiple dexterous fingers is a critical robotic skill that can reduce the reliance on large arm motions, thereby saving space and energy. This letter focuses on in-grasp object movement, which refers to manipulating an object to a desired pose through only finger motions within a stable grasp. The key challenge lies in simultaneously achieving high precision and large-range movements while maintaining a constant stable grasp. To address this problem, we propose a simple and practical approach based on kinematic trajectory optimization with no need for pretraining or object geometries, which can be easily applied to novel objects in real-world scenarios. Adopting this approach, we won the championship for the in-hand manipulation track at the 9th Robotic Grasping and Manipulation Competition (RGMC) held at ICRA 2024. Implementation details, discussion, and further quantitative experimental results are presented in this letter, which aims to comprehensively evaluate our approach and share our key takeaways from the competition. Supplementary materials including video and code are available at https://rgmc-xl-team.github.io/ingrasp_manipulation .