Designing Pin-pression Gripper and Learning its Dexterous Grasping with Online In-hand Adjustment

📄 arXiv: 2505.18994v1 📥 PDF

作者: Hewen Xiao, Xiuping Liu, Hang Zhao, Jian Liu, Kai Xu

分类: cs.RO

发布日期: 2025-05-25

🔗 代码/项目: GITHUB

💡 一句话要点

提出一种新型Pin-pression夹爪，并学习其在线手内调整的灵巧抓取技能

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: Pin-pression夹爪 灵巧抓取 强化学习 手内调整 机器人

📋 核心要点

  1. 现有夹爪在抓取形状各异的物体时，难以兼顾适应性和稳定性，尤其是在手内调整物体姿态方面存在挑战。
  2. 设计了一种新型Pin-pression夹爪，通过可独立伸缩的销钉阵列动态调整手指形状，以适应物体并实现手内姿态调整。
  3. 通过强化学习算法学习夹爪的动态抓取技能，并采用课程学习提高抓取-提升效率，实验验证了其优越的泛化性和鲁棒性。

📝 摘要（中文）

本文提出了一种受Pin-pression玩具启发的并行夹爪的新设计。该Pin-pression夹爪的独特之处在于，每个手指都集成了一个二维的销钉阵列，这些销钉能够独立伸缩。这种独特的设计允许夹爪通过动态调整销钉的伸缩来即时定制其手指的形状，以适应被抓取的物体。此外，该夹爪擅长在手内重新调整物体的方向，从而通过动态调整销钉来增强抓取的稳定性。为了学习Pin-pression夹爪的动态抓取技能，我们设计了一种专门的强化学习算法，并精心设计了状态表示和奖励函数。为了实现更高效的抓取-提升抓取模式，我们提出了一种课程学习方案。大量的评估表明，我们的设计以及学习到的技能，能够实现高度灵活和鲁棒的抓取，并且比其他替代方案具有更强的泛化能力。我们还强调了在物理制造的Pin-pression夹爪上进行sim-to-real迁移的令人鼓舞的物理结果，证明了我们新型夹爪设计和抓取技能的实际意义。

🔬 方法详解

问题定义：现有并行夹爪在抓取不同形状物体时，难以同时保证抓取的适应性和稳定性。尤其是在抓取后，需要进行手内调整物体姿态以达到更稳定的抓取状态时，传统夹爪的结构限制了其灵活性。因此，如何设计一种能够动态适应物体形状，并具备手内调整能力的夹爪是一个关键问题。

核心思路：本文的核心思路是借鉴Pin-pression玩具的原理，设计一种新型夹爪，其手指由可独立伸缩的销钉阵列组成。通过控制每个销钉的伸缩，夹爪可以动态调整手指的形状，从而适应不同形状的物体，并实现手内姿态调整。这种设计使得夹爪能够更好地贴合物体表面，增加接触面积，提高抓取稳定性。

技术框架：整体框架包含夹爪设计和强化学习算法两部分。首先，设计Pin-pression夹爪的机械结构，包括销钉阵列的排布、驱动方式等。然后，构建强化学习环境，包括状态表示、动作空间和奖励函数的设计。最后，采用强化学习算法训练夹爪的抓取策略，并通过课程学习提高抓取效率。

关键创新：该方法最重要的创新点在于Pin-pression夹爪的设计，它能够动态调整手指形状以适应物体，并实现手内姿态调整。与传统的固定形状夹爪相比，Pin-pression夹爪具有更高的适应性和灵活性。此外，结合强化学习算法，能够自动学习夹爪的抓取策略，无需人工设计复杂的控制算法。

关键设计：在强化学习中，状态表示包括夹爪的关节角度、物体的位置和姿态等信息。动作空间定义为每个销钉的伸缩量。奖励函数的设计至关重要，需要引导夹爪学习稳定的抓取策略，并鼓励手内姿态调整。课程学习则通过逐步增加抓取难度，提高学习效率和泛化能力。具体参数设置和网络结构在论文中未详细说明，属于未知信息。

📊 实验亮点

实验结果表明，所提出的Pin-pression夹爪在抓取各种形状的物体时，具有很高的成功率和鲁棒性，优于传统的并行夹爪。通过强化学习训练，夹爪能够自动学习抓取策略，并在手内调整物体姿态以达到更稳定的抓取状态。Sim-to-real迁移实验也取得了令人鼓舞的结果，验证了该设计的实际可行性。

🎯 应用场景

该研究成果可应用于自动化生产线、物流分拣、医疗机器人等领域。Pin-pression夹爪能够抓取各种形状和尺寸的物体，并进行精确的操作，从而提高生产效率和降低人工成本。此外，该夹爪还可用于危险环境下的物体抓取，例如核废料处理、灾难救援等。

📄 摘要（原文）

We introduce a novel design of parallel-jaw grippers drawing inspiration from pin-pression toys. The proposed pin-pression gripper features a distinctive mechanism in which each finger integrates a 2D array of pins capable of independent extension and retraction. This unique design allows the gripper to instantaneously customize its finger's shape to conform to the object being grasped by dynamically adjusting the extension/retraction of the pins. In addition, the gripper excels in in-hand re-orientation of objects for enhanced grasping stability again via dynamically adjusting the pins. To learn the dynamic grasping skills of pin-pression grippers, we devise a dedicated reinforcement learning algorithm with careful designs of state representation and reward shaping. To achieve a more efficient grasp-while-lift grasping mode, we propose a curriculum learning scheme. Extensive evaluations demonstrate that our design, together with the learned skills, leads to highly flexible and robust grasping with much stronger generality to unseen objects than alternatives. We also highlight encouraging physical results of sim-to-real transfer on a physically manufactured pin-pression gripper, demonstrating the practical significance of our novel gripper design and grasping skill. Demonstration videos for this paper are available at https://github.com/siggraph-pin-pression-gripper/pin-pression-gripper-video.