RUKA: Rethinking the Design of Humanoid Hands with Learning

📄 arXiv: 2504.13165v1 📥 PDF

作者: Anya Zorin, Irmak Guzey, Billy Yan, Aadhithya Iyer, Lisa Kondrich, Nikhil X. Bhattasali, Lerrel Pinto

分类: cs.RO, cs.AI

发布日期: 2025-04-17

备注: Website at https://ruka-hand.github.io/

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

RUKA：通过学习重新设计人形手，实现高性价比和灵巧操作

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人形手 机器人手 灵巧操作 肌腱驱动 机器学习 欠驱动 开源硬件

📋 核心要点

  1. 现有机器人手在精度、紧凑性、强度和成本之间存在固有矛盾，传统控制方法难以兼顾这些因素。
  2. RUKA通过学习方法，特别是关节到执行器和指尖到执行器的模型，优化肌腱驱动的控制，降低了对硬件的严格要求。
  3. 实验表明，RUKA在可达性、耐用性和强度方面优于其他机器人手，并通过遥操作展示了其灵巧的运动能力。

📝 摘要（中文）

灵巧操作是机器人系统的基本能力，但由于精度、紧凑性、强度和成本之间的硬件权衡，进展受到限制。现有的控制方法对机械手设计和应用做出了妥协。然而，基于学习的方法为重新思考这些权衡提供了机会，特别是解决肌腱驱动和低成本材料带来的挑战。本文介绍了RUKA，一种紧凑、经济且功能强大肌腱驱动的人形手。RUKA由3D打印部件和现成组件制成，具有5个手指和15个欠驱动自由度，可实现多样化的人类抓取。其肌腱驱动允许在紧凑的人体尺寸外形中进行强大的抓取。为了解决控制挑战，我们利用MANUS手套收集的运动捕捉数据学习关节到执行器和指尖到执行器的模型，从而利用了手部的形态学精度。广泛的评估表明，与其他机器人手相比，RUKA具有卓越的可达性、耐用性和强度。遥操作任务进一步展示了RUKA的灵巧运动。RUKA的开源设计和组装说明、代码和数据可在https://ruka-hand.github.io/上找到。

🔬 方法详解

问题定义：现有机器人手的设计面临精度、紧凑性、强度和成本的权衡困境。肌腱驱动虽然能实现紧凑的结构，但控制复杂。低成本材料的应用也增加了控制的难度。因此，需要一种能够在低成本硬件条件下实现灵巧操作的机器人手。

核心思路：RUKA的核心思路是利用学习方法来弥补硬件上的不足。通过学习关节到执行器和指尖到执行器的映射关系，可以更精确地控制肌腱驱动的欠驱动手，从而在低成本材料和紧凑结构下实现灵巧操作。这种方法避免了对高精度硬件的依赖。

技术框架：RUKA的整体框架包括以下几个部分：1）硬件设计：采用3D打印部件和现成组件构建低成本、紧凑的人形手；2）数据采集：使用MANUS手套收集运动捕捉数据，用于训练控制模型；3）模型学习：学习关节到执行器和指尖到执行器的映射模型；4）控制：使用学习到的模型进行手部的控制，实现抓取和操作任务。

关键创新：RUKA的关键创新在于将学习方法应用于人形手的控制，从而降低了对硬件的要求。通过学习，RUKA能够克服肌腱驱动和低成本材料带来的控制挑战，实现灵巧的操作。与传统方法相比，RUKA不需要复杂的运动学建模和精确的硬件控制。

关键设计：RUKA的关键设计包括：1）肌腱驱动的欠驱动结构，实现了紧凑的结构和强大的抓取能力；2）使用MANUS手套进行数据采集，保证了数据的准确性；3）学习关节到执行器和指尖到执行器的映射模型，实现了精确的控制；4）开源的设计和代码，方便其他研究者进行复现和改进。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

RUKA在实验中表现出卓越的性能。与其他机器人手相比，RUKA具有更广的可达范围、更高的耐用性和更强的抓取力。遥操作实验展示了RUKA的灵巧运动能力，能够完成复杂的抓取和操作任务。开源的设计和代码也为其他研究者提供了便利，促进了机器人手领域的发展。

🎯 应用场景

RUKA具有广泛的应用前景，包括工业自动化、医疗康复、家庭服务等领域。在工业自动化中，RUKA可以用于执行精细的装配和操作任务。在医疗康复中，RUKA可以作为辅助设备，帮助患者进行康复训练。在家庭服务中，RUKA可以用于执行各种家务，提高生活质量。开源的设计也促进了其在科研领域的应用。

📄 摘要（原文）

Dexterous manipulation is a fundamental capability for robotic systems, yet progress has been limited by hardware trade-offs between precision, compactness, strength, and affordability. Existing control methods impose compromises on hand designs and applications. However, learning-based approaches present opportunities to rethink these trade-offs, particularly to address challenges with tendon-driven actuation and low-cost materials. This work presents RUKA, a tendon-driven humanoid hand that is compact, affordable, and capable. Made from 3D-printed parts and off-the-shelf components, RUKA has 5 fingers with 15 underactuated degrees of freedom enabling diverse human-like grasps. Its tendon-driven actuation allows powerful grasping in a compact, human-sized form factor. To address control challenges, we learn joint-to-actuator and fingertip-to-actuator models from motion-capture data collected by the MANUS glove, leveraging the hand's morphological accuracy. Extensive evaluations demonstrate RUKA's superior reachability, durability, and strength compared to other robotic hands. Teleoperation tasks further showcase RUKA's dexterous movements. The open-source design and assembly instructions of RUKA, code, and data are available at https://ruka-hand.github.io/.