[论文解读] In-Hand Object Stabilization by Independent Finger Control

Filipe Veiga, Benoni B. Edin+1 more|arXiv (Cornell University)|Jun 12, 2018

Robot Manipulation and Learning参考文献 22被引用 10

一句话总结

本文提出了一种仿生的、模块化的控制框架，用于通过每个机械手指独立的触觉反馈控制器实现物体在手内的稳定。通过利用BioTac传感器数据预测并抵消局部滑移，该系统在无需集中协调的情况下，实现了对各类物体和扰动的稳定抓握，展示了在多指机械手中的鲁棒性和泛化能力。

ABSTRACT

Grip control during robotic in-hand manipulation is usually modeled as part of a monolithic task, relying on complex controllers specialized for specific situations. Such approaches do not generalize well and are difficult to apply to novel manipulation tasks. Here, we propose a modular object stabilization method based on a proposition that explains how humans achieve grasp stability. In this bio-mimetic approach, independent tactile grip stabilization controllers ensure that slip does not occur locally at the engaged robot fingers. Such local slip is predicted from the tactile signals of each fingertip sensor i.e., BioTac and BioTac SP by Syntouch. We show that stable grasps emerge without any form of central communication when such independent controllers are engaged in the control of multi-digit robotic hands. These grasps are resistant to external perturbations while being capable of stabilizing a large variety of objects.

研究动机与目标

• 解决传统整体式、任务特定的抓握控制器在不确定性下缺乏泛化性和鲁棒性的问题。
• 探究仅通过局部触觉反馈实现的去中心化、指级控制是否能自然产生稳定抓握。
• 开发一种反应式、数据驱动的控制框架，实现跨物体、机器人平台和操作任务的泛化，而无需完整的运动学或动力学模型。
• 研究是否可利用指尖传感器的低维滑移预测信号实现鲁棒、实时的抓握稳定。
• 证明手指间的协调可通过物体层面的相互作用自然产生，而非依赖显式通信，从而支持高层操作。

提出的方法

• 在机械手指指尖配备BioTac或BioTac SP触觉传感器，以捕获包括压力、振动和温度在内的多模态反馈。
• 基于人类触觉中滑移检测的先前研究，利用触觉信号训练每个指尖未来滑移的预测模型。
• 为每根手指实现独立的、反应式的控制律，实时调整接触力以抵消预测到的滑移，确保局部抓握稳定。
• 通过共享的物体动力学和触觉反馈实现在手指间的协调，无需显式的指间通信或中心化协调。
• 采用分层控制架构，由独立的指级控制器处理底层稳定，使高层策略可执行在手内操作。
• 在两种机械手（Allegro 和 Wessling）上验证该方法，分别具有4根和5根手指，在不同扰动和物体类型下进行测试。

实验结果

研究问题

• RQ1 是否可通过仅依赖局部触觉反馈的去中心化、指级控制实现稳定抓握？
• RQ2 基于低维触觉信号的滑移预测是否能在外部干扰下实现鲁棒的抓握稳定？
• RQ3 独立的指级控制器是否可在无需微调的情况下泛化至不同物体和机器人平台？
• RQ4 缺乏中心化协调如何影响多指系统中稳定协调抓握的产生？
• RQ5 该模块化方法在多大程度上可支持高层在手内操作任务，如物体旋转或重新定位？

主要发现

• 独立的指级抓握稳定控制器在各类物体（包括训练集中未见的物体）上成功防止了滑移，表现出强大的泛化能力。
• 即使在外部扰动下，稳定抓握也自然产生，完全依赖触觉反馈和局部控制律，无需显式协调。
• 当一根或多根手指被移除时，剩余手指能重新稳定物体，显示出系统的鲁棒性和适应性。
• 主从实验表明，通过扰动一根手指而其他手指保持物体稳定，可实现物体的重新定位，支持在手内操作。
• 该控制器在4指（Allegro）和5指（Wessling）机械手上均有效，证实了跨平台的泛化能力。
• 该方法通过仅施加防止滑移所需的最小力，模拟了人类抓握行为，与人类运动控制的神经生理学发现一致。