Eigengrasp

又称: postural synergy, hand synergy
类别: Planning & manipulation › Manipulation
标签: grasping, dexterous-hands, dimensionality-reduction, synergies, grasp-planning

机器人手关节空间中的一个基方向，由典型的抓取姿态推导而来，使手形可以用少数几个系数而不是每个关节角来描述和搜索。

定义

特征抓取（eigengrasp）是手部关节空间中一小组方向中的一个，大多数有用的抓取姿态都沿着这些方向变化。手部姿态 p 被写成一个平均姿态加上各特征抓取的加权和，p = p₀ + Σ aᵢeᵢ，因此一只大约有二十个关节的手，只用几个幅值 aᵢ 就能塑造出手形。这一思想由 Ciocarlie 和 Allen 引入机器人抓取规划，其基础是 Santello、Flanders 和 Soechting 于 1998 年对人手的研究；该研究发现，所记录的抓取姿态中，少数几个被称为姿态协同的主成分，解释了其中大部分的变化。特征抓取通常通过对这类姿态做主成分分析得到，这些姿态要么是映射到机器人手上的人类数据，要么是专为该手设计的姿态。

主要用途是抓取规划。GraspIt! 中包含一个特征抓取规划器，它用模拟退火对腕部位姿和特征抓取幅值进行联合搜索，并由一个能量函数引导，该函数奖励以合适的法向贴近物体的手部表面。使用两个特征抓取时，搜索空间是八维的，即腕部位姿的六维加上两个幅值，而不是超过二十五维。一旦在子空间中找到一个有希望的预抓取，手指就在其完整关节空间中闭合，直到发生接触，再由抓取质量度量评估结果。

低维子空间也是主要的局限。位于子空间之外的姿态，例如精确的指尖放置或不寻常的手指组合，在搜索中无法达到，因此用这种方法找到的抓取会聚集在少数几种典型手形周围；近期的数据集工作指出，用特征抓取规划出的抓取分布狭窄，因而改为在完整关节空间中进行优化。除规划之外，同一思想还被用于在遥操作中把数据手套的输入映射到机器人手上，为学习方法提供降维的动作空间，并指导欠驱动手的设计，在这类手中，一两个电机沿固定的协同模式驱动各手指。欠驱动手把这种耦合做进了机构之中，而特征抓取是在软件中做出的选择，一旦找到粗略的抓取，就可以弃之不用。

为何重要

灵巧手的关节太多，无法进行简单的搜索或探索。特征抓取利用真实抓取的结构来降低这一维度，它既解释了早期的灵巧抓取规划器为何有效，也解释了它们的输出为何缺乏多样性；当这些输出被用作训练数据时，这一点很重要。

主要应用

在 GraspIt! 中为多指手进行抓取规划
通过协同子空间映射的数据手套遥操作
用于学习灵巧策略的降维动作空间
基于协同的欠驱动手的设计与控制
假手的抓取合成
在运动学结构不同的手之间迁移抓取姿态

实际应用

一位研究人员想为一只拥有二十多个关节的五指手，在一组家居物品模型上生成抓取。他们在 GraspIt! 中为这只手加载特征抓取，这些特征抓取是把人类抓取姿态的主成分映射到机器人关节上定义的；然后运行规划器，规划器改变腕部位姿和两个幅值，同时为手掌和手指贴合每个物体的紧密程度打分。最好的几个预抓取随后在仿真中完全闭合，并用 epsilon 度量排序。复查结果时，研究人员注意到几乎每个抓取都是包握式力量抓取的变体，而对小零件的捏取完全缺失，于是他们增加了第二阶段，在完整关节空间中细化最好的抓取，以找回更精细的指尖接触。

常见误解

特征抓取是一种抓取类型，就像捏取或力量抓取 — 它是关节空间中的一个基方向；任何单个姿态都是几个特征抓取的组合
特征抓取可以表示手能做出的任何抓取 — 它们只张成一个子空间，因此精确或不寻常的姿态落在子空间之外
特征抓取必须来自人类数据 — 它们也可以人工设计，或者从机器人自身的成功抓取中计算得到
使用特征抓取会让手变成欠驱动的 — 在规划中它们只约束搜索；全驱动的手仍然可以独立移动每个关节，例如在向物体闭合时

谁需要了解

灵巧操作研究人员
机器人手和假手设计人员
把人手映射到机器人手上的遥操作工程师
生成抓取数据集的研究人员

Open Source Robotics

Eigengrasp

定义

为何重要

主要应用

实际应用

常见误解

谁需要了解

相关技术

相关术语

相关项目