Open Source Robotics

精选高质量开源机器人项目、工具和软件，推动机器人社区发展。

Dynamic Manipulation

  • 类别: Planning & manipulation › Manipulation
  • 标签: manipulation, dynamics, nonprehensile, deformable-objects, throwing

惯性力和加速度力对任务至关重要的操作，例如投掷、甩动或接住物体，因此物体在接触结束后仍会继续运动。

定义

动态操作（Dynamic manipulation）涵盖那些在分析时不能忽略使机器人和物体加速所需之力的操作任务。Matthew Mason 和 Kevin Lynch 在 1990 年代初使用这一术语，把这类任务与大多数抓取和装配工作所假设的运动学、静态和准静态操作区分开来。投掷、杂耍、击打、抛掷、从桌上抢抓物体以及甩动布料都是典型的例子：机器人在物体中积累动量，而大部分有用的运动发生在末端执行器减速或释放物体之后。

主要的好处是可达范围和速度。一次投掷可以把物体放到机械臂工作空间之外，一次甩动可以把衣物铺展得比机械臂的跨度宽得多，而一次快速击打可以移动一个缓慢推动只能拖着走的物体。动态动作还使简单的夹爪，甚至完全没有夹爪，也能控制它无法直接握住的自由度；这类工作大多是非抓取的，利用重力、惯性和接触，而不是牢固的抓握。代价是结果取决于难以测量和建模的量：滑动和释放过程中的摩擦、碰撞行为、轻质或可变形物体所受的空气阻力、执行器带宽，以及几毫秒的时序误差。

主要有两类方法。基于模型的工作推导机器人和物体的运动方程，规划符合力矩和速度限制的轨迹，并且通常依赖快速反馈，杂耍和击打机器人就是如此。基于学习的工作在处理可变形物体和未知物品时更为常见，它通过在仿真或硬件上的试验学习一小组运动基元（例如甩动或抛掷）的参数，并修正模型未能刻画的效应。在这两种情况下，硬件都必须能够安全地达到高速，这就是为什么许多系统在有围栏的工作单元中运行，或使用轻量化机械臂。

为何重要

许多日常任务只有借助动态运动才能快得多，甚至才有可能完成，从抖开一件衬衫到把零件抛进料箱都是如此。识别一项任务何时需要动力学，而不是缓慢的准静态运动，会改变对硬件、模型、控制器和安全措施的选择。

主要应用

  • 通过甩动展开布料和衣物
  • 把物体投掷到机械臂够不到的料箱中
  • 用快速机械臂进行杂耍、击打和接物
  • 非抓取式抛掷与手内重新抓取
  • 利用鞭甩或摆动动作操作绳索和线缆

实际应用

一个团队在构建双臂布料展开系统时，先尝试了抓取-拖拽动作，结果发现揉皱的衣物需要很多步才能铺开。他们改用甩动基元：两个夹爪在两个点上抓住布料，将其提起，高速向前甩出，然后一边向后拉一边放低，使空气阻力和布料的动量把它平铺在桌面上。一个学习得到的策略只根据俯视图像选择两个抓取点，而甩动轨迹本身是固定的，并针对机械臂的速度限制进行了调节。工程师检查机械臂的关节速度和加速度限制是否得到遵守，摆动是否保持在安全等级的工作空间之内，以及夹爪是否把织物抓得足够牢，不会在摆动途中脱手。

常见误解

  • 动态操作只是让机械臂快速运动 — 其决定性特征在于惯性力对任务结果有影响，而不仅仅是机械臂的速度
  • 它需要精确的物理模型 — 许多系统使用固定的运动基元，并通过试验学习其参数，而不是对每一种效应建模
  • 它只适用于炫技式演示 — 动态动作可以减少铺展布料或料箱装填等任务所需的步骤数
  • 准静态规划器只需运行得更快即可 — 一旦惯性变得重要，物体在接触后的运动就不再能由准静态模型预测

谁需要了解

  • 研究可变形或非抓取任务的操作研究人员
  • 设计运动基元的机器人学习工程师
  • 调节高速机械臂轨迹的控制工程师
  • 为快速机器人运动制定工作单元规范的安全工程师

相关技术

  • 非抓取操作（Nonprehensile Manipulation）
  • 运动基元（Motion Primitives）
  • 轨迹优化（Trajectory Optimization）
  • 物理仿真（Physics Simulation）
  • 高速视觉（High-Speed Vision）

相关术语

  • Quasi-Static Manipulation
  • Extrinsic dexterity
  • Contact mode
  • Coulomb Friction
  • Motion Primitive
  • Dexterous Manipulation

相关项目

  • 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

本网站需要 JavaScript 才能正常运行。请启用 JavaScript 以浏览我们的开源机器人项目。