Underactuated Robotic Hand with Grasp State Estimation Using Tendon-Based Proprioception

📄 arXiv: 2509.12969v2 📥 PDF

作者: Jae-Hyun Lee, Jonghoo Park, Kyu-Jin Cho

分类: cs.RO

发布日期: 2025-09-16 (更新: 2025-11-28)

备注: 11 pages, 15 figures, 3 tables, Supplementary video

💡 一句话要点

提出基于肌腱本体感受的欠驱动机械手抓取状态估计方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 欠驱动机械手 抓取状态估计 肌腱本体感受 串联弹性驱动器 势能建模

📋 核心要点

  1. 欠驱动机械手结构简单且具有内在的适应性，但关节运动的相互依赖性使其难以捕获各种抓取状态。
  2. 本研究提出一种利用基于肌腱本体感受的欠驱动机械手，通过精确测量和势能建模，估计抓取状态变量。
  3. 实验验证了该方法在手指和手部层面的有效性，证明了肌腱本体感受作为紧凑鲁棒传感方式的潜力。

📝 摘要（中文）

本文提出了一种拟人化的欠驱动机械手，仅使用基于肌腱的本体感受来实现全面的抓取状态估计。该方法利用了由串联弹性驱动器（SEA）提供的肌腱本体感受。通过设计紧凑、高精度和高可靠性的SEA，并将其无缝集成到无传感器手指中，实现了精确的本体感受测量。结合精确的本体感受测量和基于势能的建模，系统能够估计多个关键的抓取状态变量，包括接触时间、关节角度、相对物体刚度和外部扰动。手指层面的实验验证和广泛的手部抓取功能演示证实了该方法的有效性。结果表明，基于肌腱的本体感受是一种紧凑而鲁棒的传感方式，适用于实际操作，无需依赖视觉或触觉反馈。

🔬 方法详解

问题定义：欠驱动机械手由于其固有的结构简单性和适应性而备受青睐，但其关节运动的相互依赖性使得在不增加结构复杂性的前提下，准确捕获各种抓取状态变得极具挑战性。现有方法通常需要嵌入多个传感器，增加了复杂性和成本。因此，如何在保持欠驱动机械手简单性的同时，从单一传感源提取丰富的抓取状态信息是一个关键问题。

核心思路：本文的核心思路是利用基于肌腱的本体感受，通过精确测量肌腱张力来推断抓取状态。具体而言，通过在手指中集成串联弹性驱动器（SEA），可以精确测量肌腱的形变，从而获得关节角度、接触时间和物体刚度等信息。这种方法避免了在手指中嵌入多个传感器的需求，保持了机械手的结构简单性。

技术框架：该方法的技术框架主要包括以下几个模块：1) 紧凑型SEA的设计与集成：设计高精度和高可靠性的SEA，并将其无缝集成到机械手的手指中。2) 基于肌腱本体感受的测量：利用SEA测量肌腱的形变，获得精确的本体感受数据。3) 基于势能的建模：建立机械手与物体相互作用的势能模型，将本体感受数据与抓取状态变量联系起来。4) 抓取状态估计：利用势能模型和本体感受数据，估计接触时间、关节角度、相对物体刚度和外部扰动等抓取状态变量。

关键创新：本研究的关键创新在于将基于肌腱的本体感受应用于欠驱动机械手的抓取状态估计。与传统的依赖视觉或触觉反馈的方法相比，该方法更加紧凑和鲁棒。此外，通过结合精确的本体感受测量和基于势能的建模，可以有效地估计多个关键的抓取状态变量。

关键设计：在SEA的设计方面，采用了紧凑型设计，以方便集成到机械手的手指中。在势能建模方面，考虑了机械手与物体之间的弹性相互作用，建立了准确的势能模型。在抓取状态估计方面，采用了卡尔曼滤波等方法，对本体感受数据进行滤波和融合，提高了估计的精度和鲁棒性。

📊 实验亮点

实验结果表明，该方法能够准确地估计接触时间、关节角度、相对物体刚度和外部扰动等抓取状态变量。手指层面的实验验证表明，关节角度估计的平均误差小于5度。手部抓取功能演示表明，该机械手能够成功抓取各种形状和尺寸的物体，并能够有效地抵抗外部扰动。与传统的依赖视觉或触觉反馈的方法相比，该方法在紧凑性和鲁棒性方面具有明显的优势。

🎯 应用场景

该研究成果可应用于各种需要灵巧操作的场景，例如：工业自动化中的精密装配、医疗机器人中的微创手术、以及家庭服务机器人中的物体抓取。通过提供准确的抓取状态信息，可以提高机器人操作的可靠性和效率，使其能够更好地适应复杂和动态的环境。未来，该技术有望应用于更广泛的机器人领域，例如：太空探索、灾难救援等。

📄 摘要（原文）

Anthropomorphic underactuated hands are valued for their structural simplicity and inherent adaptability. However, the uncertainty arising from interdependent joint motions makes it challenging to capture various grasp states during hand-object interaction without increasing structural complexity through multiple embedded sensors. This motivates the need for an approach that can extract rich grasp-state information from a single sensing source while preserving the simplicity of underactuation. This study proposes an anthropomorphic underactuated hand that achieves comprehensive grasp state estimation, using only tendon-based proprioception provided by series elastic actuators (SEAs). Our approach is enabled by the design of a compact SEA with high accuracy and reliability that can be seamlessly integrated into sensorless fingers. By coupling accurate proprioceptive measurements with potential energy-based modeling, the system estimates multiple key grasp state variables, including contact timing, joint angles, relative object stiffness, and external disturbances. Finger-level experimental validations and extensive hand-level grasp functionality demonstrations confirmed the effectiveness of the proposed approach. These results highlight tendon-based proprioception as a compact and robust sensing modality for practical manipulation without reliance on vision or tactile feedback.