Nonprehensile Manipulation

• 又称: non-prehensile manipulation, graspless manipulation
• 类别: Planning & manipulation › Manipulation
• 标签: manipulation, pushing, contact, friction, mechanics

在不抓取物体的情况下移动物体或改变其朝向，例如推、滑、倾斜、滚动、绕支点转动或投掷，依靠摩擦、重力和动力学，而不是牢固的握持。

定义

非抓握操作（nonprehensile manipulation）是指机器人在不以抓取方式握住物体的情况下改变物体状态的操作。例子包括把箱子推过桌面、把一本薄书滑到桌边以便拿起、把重物倾斜到其边缘上、滚动圆柱体、让物体抵着墙转动、击打或投掷。在抓握式抓取中，手完全约束住物体，因此物体随手一起运动；在非抓握操作中，物体只受到部分约束，它的运动取决于摩擦、重力、惯性以及与环境的接触。

由于物体没有被握住，机器人必须预测物体对接触会作何反应，这使得力学成为核心。Matthew Mason 在 1980 年代关于推动力学的工作奠定了基础：对于缓慢的推动，物体的转动方向取决于摩擦中心和推动接触点处的摩擦锥，而推动接触可以设计成稳定的，使物体随推动器一起运动而不打滑。极限曲面描述了摩擦力旋量与物体在表面上滑动运动之间的关系。这些解析模型依赖于难以预先知道的摩擦系数和压力分布，这就是许多近期系统从数据中学习推动模型、或学习对解析模型的残差修正的原因。

非抓握操作与两个相邻的术语有重叠，但又有所不同。准静态操作是关于速度的一种假设，即惯性力可以忽略，而缓慢的推动既是准静态的，也是非抓握的。动态操作依赖惯性力，而投掷或击打既是动态的，也是非抓握的。抓取本身既可以是准静态的，也可以是动态的，因此这些是相互独立的维度。非抓握动作还被用作抓取之前的一个步骤，把物体移动到一个可以进行抓取的位姿，这与外在灵巧性密切相关。

为何重要

许多物体太大、太扁、太重或周围太杂乱，无法直接抓取，而一个简单的夹爪，甚至只是一块拨板，也能通过推和滑完成有用的工作。非抓握技能扩展了简单硬件的能力，但由于物体从不完全处于机器人的控制之下，它们需要良好的接触模型或学习得到的动力学。

主要应用

• 在杂乱的工作空间中把物体推到目标位姿
• 抓取前的预操作，例如把物体滑到桌边或推离墙壁
• 推倒、倾斜和绕支点转动沉重或大型物品
• 在料箱中和传送带上进行分拣和单件分离
• 投掷、击打及其他动态任务
• 使用拨片和挡板等简单末端执行器进行操作

实际应用

一台物流机器人需要拣取一个平贴在料箱壁上的扁平包裹，夹爪无法伸到它的下面。规划器先用闭合的夹爪把包裹从箱壁推开，利用推动模型选择一个能平移包裹而不使其过多转动的接触点和方向。每次推动后，相机跟踪包裹，如果包裹的转动超出预测，控制器就调整下一次推动。一旦出现间隙，夹爪就把一根手指滑到包裹边缘下方并进行抓取。团队记录预测的和观测到的包裹位姿，用来细化推动模型的摩擦参数。

常见误解

• 非抓握就意味着动态 — 缓慢的推动是非抓握且准静态的，而投掷是非抓握且动态的
• 推动很简单，因为不需要抓取 — 结果取决于通常不确定的摩擦和压力分布，因此预测比被抓住的物体更难
• 非抓握操作只是夹爪性能不佳时的权宜之计 — 即使手的能力很强，它也常常是处理大型、扁平或成堆物体的最高效方式

谁需要了解

• 操作研究人员和工程师
• 仓储和物流自动化工程师
• 处理接触问题的运动规划工程师
• 训练推动和滑动策略的机器人学习研究人员

相关技术

• 极限曲面模型（Limit Surface Models）
• 推动规划（Push Planning）
• 接触隐式轨迹优化（Contact-Implicit Trajectory Optimization）
• 学习型动力学模型（Learned Dynamics Models）
• 物理仿真器（Physics Simulators）

相关术语

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

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

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