Open Source Robotics

Una colección curada de proyectos, herramientas y software de robótica de código abierto de alta calidad.

Nonprehensile Manipulation

  • También llamado: non-prehensile manipulation, graspless manipulation
  • Categoría: Planning & manipulation › Manipulation
  • Etiquetas: manipulation, pushing, contact, friction, mechanics

Mover o reorientar objetos sin agarrarlos, por ejemplo empujándolos, deslizándolos, inclinándolos, haciéndolos rodar, pivotándolos o lanzándolos, apoyándose en la fricción, la gravedad y la dinámica en lugar de en una sujeción firme.

Definición

Manipulación no prensil (nonprehensile manipulation) es la manipulación en la que el robot cambia el estado de un objeto sin sujetarlo con un agarre. Algunos ejemplos son empujar una caja sobre una mesa, deslizar un libro delgado hasta el borde de la mesa para poder recogerlo, inclinar un objeto pesado sobre su arista, hacer rodar un cilindro, pivotar un objeto contra una pared, golpearlo o lanzarlo. En un agarre prensil la mano restringe por completo el objeto, así que este se mueve con la mano; en la manipulación no prensil el objeto solo está restringido en parte, y su movimiento depende de la fricción, la gravedad, la inercia y el contacto con el entorno.

Como el objeto no está sujeto, el robot tiene que predecir cómo responderá al contacto, lo que hace que la mecánica sea central. El trabajo de Matthew Mason sobre la mecánica del empuje en la década de 1980 sentó las bases: en un empuje lento, el sentido en que gira un objeto depende del centro de fricción y del cono de fricción en el contacto del empujador, y un contacto de empuje puede diseñarse para que sea estable, de modo que el objeto se mueva con el empujador sin deslizar. La superficie límite describe la relación entre la llave de fuerzas (wrench) de fricción y el movimiento de deslizamiento de un objeto sobre una superficie. Estos modelos analíticos dependen de coeficientes de fricción y distribuciones de presión que son difíciles de conocer de antemano, y por eso muchos sistemas recientes aprenden a partir de datos modelos de empuje o correcciones residuales de los analíticos.

La manipulación no prensil se solapa con dos términos vecinos, pero se distingue de ellos. La manipulación cuasiestática (quasi-static manipulation) es una suposición sobre la velocidad, la de que las fuerzas de inercia pueden ignorarse, y el empuje lento es a la vez cuasiestático y no prensil. La manipulación dinámica (dynamic manipulation) se basa en las fuerzas de inercia, y lanzar o golpear son a la vez dinámicos y no prensiles. El propio agarre puede ser cuasiestático o dinámico, así que son ejes independientes. Las acciones no prensiles también se usan como paso previo al agarre, para llevar un objeto a una pose en la que el agarre sea posible, lo que está muy relacionado con la destreza extrínseca.

Por qué importa

Muchos objetos son demasiado grandes, demasiado planos, demasiado pesados o están demasiado amontonados para agarrarlos directamente, y una pinza sencilla o incluso una simple paleta puede hacer un trabajo útil empujando y deslizando. Las habilidades no prensiles amplían lo que puede hacer un hardware sencillo, pero requieren buenos modelos de contacto o dinámicas aprendidas, porque el objeto nunca está completamente bajo el control del robot.

Aplicaciones clave

  • Empuje de objetos hasta poses objetivo en espacios de trabajo desordenados
  • Manipulación previa al agarre, como deslizar objetos hasta el borde de una mesa o apartarlos de las paredes
  • Volcar, inclinar y pivotar objetos pesados o grandes
  • Clasificación y separación (singulation) en contenedores y cintas transportadoras
  • Lanzamientos, golpes y otras tareas dinámicas
  • Manipulación con efectores finales sencillos, como paletas y guías

En la práctica

Un robot logístico necesita recoger un paquete plano que está pegado a la pared de un contenedor, donde la pinza no puede llegar por debajo de él. El planificador primero empuja el paquete para separarlo de la pared con la pinza cerrada, usando un modelo de empuje para elegir un punto de contacto y una dirección que trasladen el paquete sin girarlo mucho. Una cámara sigue el paquete después de cada empuje, y el controlador ajusta el siguiente empuje si el paquete giró más de lo previsto. Una vez que se abre un hueco, la pinza desliza un dedo bajo el borde y agarra. El equipo registra las poses previstas y observadas del paquete para afinar los parámetros de fricción del modelo de empuje.

Ideas erróneas comunes

  • No prensil significa dinámico — el empuje lento es no prensil y cuasiestático, mientras que lanzar es no prensil y dinámico
  • Empujar es sencillo porque no necesita agarre — el resultado depende de la fricción y de la distribución de presiones, que suelen ser inciertas, así que la predicción es más difícil que con un objeto agarrado
  • La manipulación no prensil es solo un apaño para pinzas deficientes — a menudo es la forma más eficiente de manejar objetos grandes, planos o amontonados, incluso con manos capaces

Quién debería saberlo

  • Investigadores e ingenieros de manipulación
  • Ingenieros de automatización de almacenes y logística
  • Ingenieros de planificación de movimiento que trabajan con contacto
  • Investigadores de aprendizaje robótico que entrenan políticas de empuje y deslizamiento

Tecnologías relacionadas

  • Modelos de superficie límite (Limit Surface Models)
  • Planificación de empujes (Push Planning)
  • Optimización de trayectorias con contacto implícito (Contact-Implicit Trajectory Optimization)
  • Modelos de dinámica aprendidos (Learned Dynamics Models)
  • Simuladores físicos (Physics Simulators)

Términos relacionados

  • Quasi-Static Manipulation
  • Dynamic Manipulation
  • Extrinsic dexterity
  • Friction Cone
  • Contact mode
  • Kinodynamic Planning

Proyectos relacionados

  • LeRobot: HuggingFace ML library for real-world robotics in PyTorch
  • Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
  • NVIDIA Isaac GR00T: NVIDIA open foundation model for humanoid robot reasoning and skills
  • OpenVLA: 7B-parameter Vision-Language-Action model for robotic manipulation
  • Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design
  • OpenArm: 7DOF humanoid arm for physical AI research in contact-rich environments

Vídeos

  • Humans, Robots, and Non-Prehensile Manipulation: Brian Douglas

Este sitio web requiere JavaScript. Por favor, habilite JavaScript para explorar nuestros proyectos de robótica.