Fingers as Legs: Learning Self-Supported Locomotion and Manipulation with an Anthropomorphic Hand
作者: Amirhossein Kazemipour, Hehui Zheng, Robert Katzschmann
分类: cs.RO, eess.SY
发布日期: 2026-09-15
备注: 8 pages, 9 figures
💡 一句话要点
提出一种人形手以实现自我支持的移动与操控
🎯 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: 机器人手 自我支持 移动能力 强化学习 人形机器人 任务执行 环境互动
📋 核心要点
- 现有的机器人手通常缺乏有效的自我支持和移动能力，限制了其在复杂环境中的应用。
- 本研究提出了一种人形手，通过强化学习方法，利用同一组手指实现自我支持的移动和环境互动。
- 实验结果表明，该手在模拟和硬件环境中均表现出优越的移动能力和任务执行效率，能够进行无缆爬行和物体推送。
📝 摘要（中文）
一只行走的机器人手必须利用同样的手指来移动其身体、支撑自身重量并与环境互动。我们展示了如何在保持手指设计和位置控制器的情况下，让人形手学习这些技能。该平台具备自给自足的动力和计算能力。我们的强化学习方法考虑了手指的不等长特性，并在经过硬件测量校准的模拟器中进行训练。在模拟中，采用我们的奖励公式，手的移动速度快于为四足动物设计的调优奖励。在硬件上，特定任务的策略使得手能够实现无缆爬行、转向和跌倒恢复。在支撑自身重量的同时，手还能够在没有视觉的情况下执行连续的键盘命令，并利用上方视觉反馈将物体推向目标。这些结果展示了一种紧凑的移动操控器，能够重用手指进行移动和互动，而无需单独的移动机制。
🔬 方法详解
问题定义：本论文旨在解决机器人手在自我支持和移动能力方面的不足，现有方法往往需要额外的移动机制，导致设计复杂且效率低下。
核心思路：通过强化学习，利用人形手的手指实现自我支持的移动和环境交互，保持手指设计不变，提升灵活性和效率。
技术框架：整体架构包括模拟器训练、奖励机制设计和硬件实现三个主要模块。模拟器通过硬件测量进行校准，确保训练的有效性。
关键创新：本研究的创新点在于提出了一种针对不等长手指的强化学习奖励机制，使得手在移动速度上优于传统的四足动物调优奖励方法。
关键设计：在训练过程中，采用了特定的损失函数和奖励设计，确保手在执行任务时能够有效利用其手指进行移动和操控。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在模拟环境中，采用新奖励机制的手移动速度显著提高，优于传统四足动物的调优奖励方法。在硬件测试中，手能够成功实现无缆爬行、转向和物体推送，展示了其在多任务执行中的高效性。
🎯 应用场景
该研究的潜在应用领域包括服务机器人、医疗辅助设备和人机交互系统。通过提升机器人手的移动和操控能力，可以在复杂环境中实现更高效的任务执行，具有重要的实际价值和未来影响。
📄 摘要（原文）
A walking robotic hand must use the same fingers to move its body, support its weight, and interact with the environment. We show how an anthropomorphic hand can learn these skills while retaining its finger design and position controller. Onboard power and computation make the platform self-contained. Our reinforcement learning approach accounts for the hand's unequal fingers, with training in a simulator calibrated from hardware measurements. In simulation, the hand moves faster with our reward formulation than with tuned rewards originally designed for quadrupeds. On hardware, task-specific policies enable untethered crawling, steering, and fall recovery. While supporting its own weight, the hand also executes successive keyboard commands without vision and pushes an object to targets using overhead visual feedback. These results demonstrate a compact mobile manipulator that reuses its fingers for locomotion and interaction, without a separate locomotion mechanism.