Force Closure

• 又称: force-closure grasp
• 类别: Planning & manipulation › Manipulation
• 标签: grasping, contact, statics, manipulation, grasp-quality

一种抓取性质：各接触点借助摩擦，能够共同施加一个力旋量，抵抗作用在被握持物体上的任何外力和外力矩。

定义

当一个抓取的各接触点能够施加的力可以平衡作用在物体上的任意外部力旋量（即力和力矩的任意组合）时，这个抓取就具有力封闭（force closure）。每个接触点只能推、不能拉，在库仑摩擦下，它可以施加位于其摩擦锥内任意位置的力。把这些摩擦锥内的力映射到物体的力旋量空间，就得到一组接触力旋量；当它们的非负组合张成整个空间（平面物体为三维，空间物体为六维）时，抓取就是力封闭的。一个等价的检验是：力旋量空间的原点严格位于接触力旋量的凸包内部。

力封闭不同于形封闭，后者仅依靠无摩擦接触的几何形状就把物体固定住。形封闭需要更多的接触点（平面物体至少四个，空间物体至少七个），但不依赖摩擦。力封闭通常需要更少的接触点，因为摩擦提供了切向力，但它依赖于手的主动夹紧：手指之间的内力把各接触点压入其摩擦锥之内。关于平面抓取有一个经典结论，由 Nguyen（1988）给出：当连接两个带摩擦接触点的直线位于两个摩擦锥之内时，这两个接触点就构成力封闭。在 3D 中，两个带摩擦的点接触无法抵抗绕这条直线的力矩，因此需要增加扭转摩擦的软指接触，或者第三个接触点。

力封闭是一个非此即彼的性质，因此抓取规划器通常会把它与一个质量度量配合使用。最著名的度量来自 Ferrari 和 Canny（1992），即能放进接触力旋量凸包内、以原点为中心的最大球的半径：半径越大，意味着在单位手指力下，抓取所能抵抗的最坏情况扰动越大。解析式抓取规划器和许多学习型抓取流程都使用力封闭或这类度量来标注训练数据，即使部署后的系统从不在线计算它们。

为何重要

对于抓取能否握住物体这一问题，力封闭是标准的形式化答案。它解释了为什么手指位置、摩擦和夹紧力都很重要，并且是抓取质量度量、仿真抓取标签和多指手分析的基础。

主要应用

• 为训练学习型抓取检测器标注抓取
• 平行夹爪和多指手的解析式抓取规划
• 力旋量空间中的抓取质量度量
• 夹具和工件装夹设计
• 检查手内重抓取和手指步态的稳定性

实际应用

一个为学习型抓取检测器构建数据集的团队在物体网格上采样数千个候选的平行夹爪抓取。对每个候选，他们找出两个接触点及其表面法线，在假定摩擦系数约为 0.5 的情况下用八条棱线近似每个摩擦锥，并把得到的接触力旋量与软指扭转项组合起来。一个线性规划或凸包检验判断原点是否严格位于力旋量集合内部，Ferrari-Canny 度量则对通过检验的抓取进行排序。由于摩擦系数并不确定，他们用一个更低的系数重复检验，只保留仍然力封闭的抓取，从而剔除靠近摩擦锥边缘的候选。

常见误解

• 力封闭意味着抓取不会失败 — 它只是说明在夹紧力足够时接触点可以抵抗任何力旋量；执行器限制、打滑和物体变形仍然有影响
• 力封闭和形封闭是一回事 — 形封闭仅来自几何形状而不需要摩擦，而力封闭依赖摩擦和主动夹紧
• 两根相对的手指在 3D 中总能构成力封闭 — 两个点接触无法抵抗绕它们之间连线的转动，除非接触面能提供扭转摩擦
• 力封闭的抓取就是好的抓取 — 力封闭是二元的；需要质量度量来区分勉强成立的抓取和稳健的抓取

谁需要了解

• 抓取规划和操作研究人员
• 设计夹爪和机器人手的工程师
• 在仿真中生成抓取数据集的开发者
• 学习接触力学的机器人学学生

相关技术

• 抓取力旋量空间（Grasp Wrench Space）
• Ferrari-Canny 度量（Ferrari-Canny Metric）
• 摩擦锥线性化（Friction Cone Linearization）
• Dex-Net
• GraspIt!

相关术语

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

视频

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