机器人grasp类型

按技术实现方式分类

这是从机器人如何“思考”和“决策”的角度来划分的，代表了抓取技术的发展历程。

基于模型的抓取

这是最传统的方法,在抓取前，机器人需要预先知道物体的精确模型（3D CAD模型）和位姿（位置和姿态）。

• 工作原理:
  1. 通过视觉系统（如RGB-D相机）获取环境信息。
  2. 利用点云配准等技术,将观察到的点云与预先存储的3D模型进行匹配，从而确定物体的精确位姿。
  3. 根据模型和位姿,规划出最优的抓取点（物体的几何中心、最稳定的点）和抓取姿态（手指如何接触物体）。
• 优点:
  • 精度高,可预测性好。
  • 计算效率相对较高,因为规划是在已知模型上进行的。
• 缺点:
  • 泛化能力差：只能抓取预先建模的物体，遇到新物体就无法处理。
  • 对环境要求高,需要物体位姿相对固定。
  • 建模和维护成本高。

基于视觉的抓取

这是目前最主流和热门的方向,它不依赖精确的3D模型，而是通过视觉数据直接学习抓取策略。

• 工作原理:
  • 使用深度摄像头（如RealSense, ZED）或普通摄像头+深度学习模型，获取物体的2D图像和深度信息。
  • 利用卷积神经网络等深度学习模型，直接从图像中学习“抓取点”和“抓取姿态”（用一个热力图Heatmap来表示每个像素点是抓取点的概率）。
  • 代表性的算法有 RCNN (Region-based Convolutional Neural Networks) 系列，它们能从图像中识别出物体，并生成抓取框。
• 优点:
  • 泛化能力强：只要训练数据足够，可以抓取大量未见过的同类物体或形状相似的物体。
  • 不需要精确的3D模型,对环境变化有更好的鲁棒性。
• 缺点:
  • 依赖大量的标注数据进行训练。
  • 计算量较大,对硬件要求高。
  • 在视觉遮挡、光照变化等复杂场景下性能可能下降。

基于触觉的抓取

这种方法强调通过“触摸”来感知和抓取，尤其适用于视觉信息不足或需要精细操作的场景。

• 工作原理:
  • 机器人手指上集成了触觉传感器，如压力传感器、滑移传感器、柔性电子皮肤等。
  • 在抓取过程中,机器人通过触觉反馈来调整抓取力：
    • 检测滑移：当传感器检测到物体在手指上开始滑动时，机器人会立即增加夹持力。
    • 感知形状：通过多点触觉传感器，可以推断出物体的局部形状、硬度和纹理。
    • 力控制：实现“力位混合控制”，既能稳定抓取，又不会因用力过猛而损坏物体。
• 优点:
  • 鲁棒性极高：即使在黑暗、视觉被遮挡或物体外观相似（如鸡蛋和石头）的情况下，也能有效抓取。
  • 适合抓取易碎、柔软或不规则物体。
• 缺点:
  • 触觉传感器成本较高,且容易损坏。
  • 触觉信息的处理和解读非常复杂。

基于经验的抓取 / 强化学习

这是最前沿的方向,让机器人像人类一样通过“试错”来学习抓取。

• 工作原理:
  • 机器人在一个虚拟或真实的环境中,随机尝试各种抓取动作。
  • 每次尝试后,它会根据结果（是否成功抓取、抓取是否稳定）获得一个奖励或惩罚。
  • 通过强化学习算法（如DQN, PPO），机器人会逐渐学习到一个策略，使得长期累计的奖励最大化，从而找到成功的抓取方法。
• 优点:
  • 泛化能力最强：理论上可以学会抓取任何类型的物体，甚至是人类都未曾见过的物体。
  • 能够发现一些违反人类直觉的、非常规但有效的抓取方式。
• 缺点:
  • 训练成本极高：需要大量的计算资源和时间（通常在仿真环境中训练），以及大量的物理交互尝试。
  • 安全风险：在真实机器人上训练时，可能会因为错误的动作而损坏设备或周围环境。

按执行器（末端执行器）分类

这是从机器人“手”的物理形态来划分的。

夹爪

这是最常见、最基础的抓取工具。

• 二指夹爪: 像镊子或剪刀，结构简单，适合抓取形状规则、有抓取面的物体（如箱子、杯子）。
• 三指夹爪: 更灵活，能适应更多形状的物体，通过三个手指的协同配合可以实现更稳定的抓取。
• 多指灵巧手: 模拟人手，通常有4个或更多手指，每个手指有多个关节，它不仅能抓取，还能进行精细操作（如转动、拧螺丝），技术复杂，成本极高。

磁吸器

通过电磁铁产生磁力来吸附物体。

• 适用对象: 铁磁性材料（铁、钴、镍及其合金）。
• 优点: 结构简单，吸附力强，反应速度快。
• 缺点: 只能抓取特定材料，且可能对电子设备造成磁干扰。

真空吸盘

通过抽真空产生负压,将吸盘吸附在物体表面。

• 适用对象: 表面平整、光滑、不透气的物体（如玻璃、金属板、纸张、光滑的塑料件）。
• 优点: 对物体表面损伤小，抓取力分布均匀。
• 缺点: 对物体表面要求高，多孔或粗糙的表面无法有效吸附；需要真空泵系统，体积较大。

柔性执行器

利用柔性材料（如硅胶、气动人工肌肉）来包裹或吸附物体。

• 原理: 通过充气、加热或改变压力，使执行器变形，从而“抱住”或“包裹”物体。
• 优点: 适应性极强，能抓取形状极不规则的物体、易碎品（如鸡蛋、水果）和柔软物体（如布料）。
• 缺点: 控制精度相对较低，抓取力通常不大。

按抓取策略和几何形态分类

这是从抓取的几何形态和稳定性原理来划分的。

力闭合抓取

这是最稳定、最理想的抓取方式。

• 定义: 无论对手指施加多大的外部力（只要不超过手指的物理极限），物体都无法从手指中逃脱。
• 原理: 至少需要3个手指（在2D平面上）或4个手指（在3D空间中）才能实现力闭合，手指的接触点形成的力系能够平衡任何方向的外部力。
• 应用: 对抓取稳定性要求高的场景，如搬运、装配。

形闭合抓取

一种理论上绝对稳定,但实践中难以实现的抓取方式。

• 定义: 物体的几何形状被手指完全“锁住”，即使手指与物体之间没有摩擦力，物体也无法移动。
• 原理: 手指的接触点构成一个封闭的几何构型，将物体限制在一个无法逃脱的空间内。
• 缺点: 在现实世界中几乎无法实现，因为它要求手指与物体之间是“点接触”且无摩擦，并且需要无限精度的控制，更多是作为理论分析工具。

点接触抓取

手指与物体之间是理想的点接触,不考虑接触面积和摩擦力，这是理论分析的基础。

面接触抓取

手指与物体之间是面接触,提供了更大的摩擦力和稳定性，是大多数实际应用的形态。

按应用场景分类

这是从最终用途来划分的。

• 工业抓取: 主要用于流水线上的码垛、上下料、分拣，通常对速度、精度和可靠性要求高，抓取对象多为标准化的工业零件。
• 服务机器人抓取: 用于家庭、餐厅、酒店等场景，抓取对象多样且不固定（盘子、杯子、物品、垃圾等），要求机器人有很强的泛化能力和安全性。
• 医疗机器人抓取: 用于手术（如达芬奇手术机器人）、康复、实验室操作，要求极高的精度、稳定性和无菌环境。
• 农业机器人抓取: 用于采摘水果、蔬菜，需要处理非结构化环境，识别和抓取易损的柔软物体。
• 移动机器人抓取: 如波士顿动力的Atlas，需要在移动过程中进行抓取，这对机器人的动态平衡和实时规划能力提出了极高要求。

在实际应用中,一个先进的抓取系统往往是多种技术的融合，一个现代的工业机器人可能会：

• 使用基于视觉的方法快速定位物体。
• 采用力闭合的夹爪进行稳定抓取。
• 在抓取过程中通过触觉传感器进行力反馈，确保不会损坏物体。

选择哪种类型的抓取,完全取决于具体的应用需求、成本预算和技术可行性。

标签： 机器人grasp策略 机器人grasp方法 机器人grass技巧