Tactile In-Hand Object Rotation: A Comparative Study of Hand Morphology in Simulation and Hardware
作者: Wenhao He, Max Yang, Chenghua Lu, Yijiong Lin, David A. W. Barton, Nathan F. Lepora
分类: cs.RO
发布日期: 2026-10-19
💡 一句话要点
通过手部形态比较研究实现触觉驱动的物体旋转
🎯 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: 触觉反馈 物体旋转 手部形态 强化学习 机器人操作 仿真与硬件 负载分配
📋 核心要点
- 现有方法在手部形态对物体旋转的影响上缺乏系统性研究，导致操作性能不佳。
- 论文提出通过比较人形手与对称手指排列的手，利用触觉传感器和强化学习框架来优化物体旋转。
- 实验结果显示，人形手在仿真中旋转效率提高94.8%，而对称手在硬件实验中旋转计数提高32.0%。
📝 摘要（中文）
连续的手内旋转需要协调的接触维护与更新，将操作性能与手部几何形状和触觉反馈联系起来。我们通过对两种低成本LEAP手的旋转进展、手指参与度和指尖负载进行研究，探讨这些关系。实验结果表明，完整的触觉观察在仿真中显著提高了人形手的旋转效率，并且在硬件实验中，具有对称手指排列的手在旋转计数和旋转速率上表现更佳。这些发现揭示了手指排列与接触组织和负载分配之间的关系，并表明更丰富的触觉信息支持在较低负载下的更大任务进展。
🔬 方法详解
问题定义：本研究旨在解决手部形态对物体旋转操作性能的影响，现有方法未能充分考虑手指排列与触觉反馈的关系。
核心思路：通过比较人形手与对称手指排列的手，利用触觉传感器收集丰富的触觉信息，结合强化学习框架来优化物体的旋转操作。
技术框架：整体架构包括仿真与硬件实验两个部分，仿真中评估完整触觉、二元触觉和仅依赖本体感觉的观察，而硬件实验则专注于完整触觉策略的评估。
关键创新：最重要的技术创新在于通过触觉信息的丰富性来提升物体旋转的效率，尤其是在不同手指排列下的负载分配和参与度的差异。
关键设计：在实验中，使用TacTip视觉触觉传感器，设置了不同的观察模式，并在强化学习中设计了适应性损失函数，以优化手指的参与度与负载分配。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在仿真中，人形手的完整触觉观察使得平均旋转量提高了94.8%，而对称手在硬件实验中实现了32.0%的旋转计数提升和25.8%的旋转速率提升，表明触觉信息的丰富性显著改善了操作性能。
🎯 应用场景
该研究的潜在应用领域包括机器人抓取、智能手部装置和人机交互等。通过优化手部形态与触觉反馈的结合，可以提升机器人在复杂环境中的操作能力，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Continuous in-hand rotation requires coordinated contact maintenance and renewal, linking manipulation performance to both hand geometry and tactile feedback. We investigate these relationships through rotational progress, finger participation, and fingertip loading on two versions of the low-cost LEAP Hand with anthropomorphic and symmetric finger arrangements. Both hands are integrated with TacTip vision-based tactile sensors and use a shared reinforcement learning framework. Simulation evaluates full tactile, binary touch, and proprioception-only observations on 12 unseen objects; hardware experiments evaluate full tactile policies on ten objects under multiple hand orientations. In simulation, full tactile observations increase mean normalized rotation per episode over proprioception alone by 94.8% for the anthropomorphic hand and 66.9% for the symmetric hand, with longer mean episode durations and lower mean total fingertip loads. Hardware contact measurements reveal more differentiated finger participation in the anthropomorphic hand, while cumulative loading is more evenly distributed across the symmetric hand's fingers. Overall, the symmetric hand achieves a 32.0% higher mean rotation count and a 25.8% higher aggregate rotation rate, together with longer manipulation duration. Additional hardware force recordings show a 19.9% lower mean total fingertip load for this layout. These findings relate finger arrangement to contact organization and load sharing, and show that richer tactile information supports greater task progress at lower mean loading in both simulated embodiments.