Open Source Robotics

精選高品質的開源機器人專案、工具與軟體,推動機器人社群向前發展。

Force Closure

  • 又稱: force-closure grasp
  • 類別: Planning & manipulation › Manipulation
  • 標籤: grasping, contact, statics, manipulation, grasp-quality

一種抓取性質:各接觸點藉由摩擦,能共同施加一個力旋量,抵抗作用在被夾持物體上的任何外力與外力矩。

定義

當一個抓取的各接觸點所能施加的力,可以平衡作用在物體上的任意外部力旋量,也就是力與力矩的任意組合時,這個抓取就具有力封閉(force closure)。每個接觸點只能推、不能拉,在庫侖摩擦下,它可以施加落在其摩擦錐內任何位置的力。把這些摩擦錐內的力映射到物體的力旋量空間,就得到一組接觸力旋量;當它們的非負組合能張成整個空間(平面物體為三維,空間物體為六維)時,抓取就是力封閉的。一個等價的檢驗是:力旋量空間的原點嚴格位於接觸力旋量的凸包內部。

力封閉不同於形封閉,後者僅靠無摩擦接觸的幾何形狀就把物體固定住。形封閉需要更多接觸點(平面物體至少四個,空間物體至少七個),但不依賴摩擦。力封閉通常需要較少的接觸點,因為摩擦提供了切向力,但它仰賴手的主動夾緊:手指之間的內力把各接觸點壓進其摩擦錐之內。平面抓取有一個經典結果,由 Nguyen(1988)提出:當連接兩個帶摩擦接觸點的直線落在兩個摩擦錐之內時,這兩個接觸點就構成力封閉。在 3D 中,兩個帶摩擦的點接觸無法抵抗繞這條直線的力矩,因此需要能增加扭轉摩擦的軟指接觸,或第三個接觸點。

力封閉是一個非此即彼的性質,因此抓取規劃器通常會搭配一個品質指標使用。最著名的指標來自 Ferrari 與 Canny(1992),即能放進接觸力旋量凸包內、以原點為中心的最大球半徑:半徑越大,表示在單位手指力下,抓取所能抵抗的最壞情況擾動越大。解析式抓取規劃器與許多學習式抓取流程,都使用力封閉或這類指標來標註訓練資料,即使部署後的系統從不線上計算它們。

為何重要

對於抓取能否夾得住這個問題,力封閉是標準的形式化答案。它說明了為何手指位置、摩擦與夾緊力都很重要,也是抓取品質指標、模擬抓取標籤與多指手分析的基礎。

主要應用

  • 為訓練學習式抓取偵測器標註抓取
  • 平行夾爪與多指手的解析式抓取規劃
  • 力旋量空間中的抓取品質指標
  • 治具與工件夾持設計
  • 檢查手內重新抓取與手指步態的穩定性

實際應用

一支為學習式抓取偵測器建立資料集的團隊,在物體網格上取樣數千個候選的平行夾爪抓取。對每個候選,他們找出兩個接觸點及其表面法線,在假設摩擦係數約為 0.5 的情況下以八條邊近似每個摩擦錐,並將得到的接觸力旋量與軟指扭轉項組合起來。以線性規劃或凸包檢驗判斷原點是否嚴格位於力旋量集合內部,再用 Ferrari-Canny 指標為通過檢驗的抓取排序。由於摩擦係數並不確定,他們用較低的係數重複檢驗,只保留仍維持力封閉的抓取,藉此剔除靠近摩擦錐邊緣的候選。

常見誤解

  • 力封閉表示抓取不會失敗 — 它只說明在夾緊力足夠時,接觸點能抵抗任何力旋量;致動器限制、打滑與物體變形仍有影響
  • 力封閉與形封閉是同一件事 — 形封閉僅來自幾何形狀而不需要摩擦,力封閉則依賴摩擦與主動夾緊
  • 兩根相對的手指在 3D 中一定構成力封閉 — 兩個點接觸無法抵抗繞兩者連線的轉動,除非接觸面能提供扭轉摩擦
  • 力封閉的抓取就是好的抓取 — 力封閉是二元的;需要品質指標才能分辨勉強成立的抓取與穩健的抓取

誰需要了解

  • 抓取規劃與操作研究人員
  • 設計夾爪與機器人手的工程師
  • 在模擬中產生抓取資料集的開發者
  • 研讀接觸力學的機器人學學生

相關技術

  • 抓取力旋量空間(Grasp Wrench Space)
  • Ferrari-Canny 指標(Ferrari-Canny Metric)
  • 摩擦錐線性化(Friction Cone Linearization)
  • Dex-Net
  • GraspIt!

相關術語

  • Wrench
  • Friction Cone
  • Antipodal Grasp
  • Grasp Planning
  • Coulomb Friction
  • Dexterous Manipulation

相關專案

  • 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

影片

  • Modern Robotics, Chapter 12.2.3: Force Closure: Northwestern Robotics

本網站需要 JavaScript 才能正常運作。請啟用 JavaScript 以瀏覽我們的開源機器人專案。