一种柔软手腕具备各向异性和可调节刚度，以提升接触丰富操作中的机器人学习鲁棒性
机器人学
2026-02-17 v1
摘要
非结构化环境中的接触丰富操作对机器人学习构成显著的鲁棒性挑战，其中意外碰撞可能导致损坏并阻碍策略获取。现有的柔性末端执行器面临根本性局限：要么提供有限的变形范围，要么缺乏方向性刚度控制，要么需要复杂的驱动系统而妥协实际性。本研究引入了 CLAW（Compliant Leaf-spring Anisotropic soft Wrist），一种新型柔软手腕机制，通过两种正交叶片弹簧和带锁紧机制的旋转关节实现简单而有效的设计。CLAW 提供了 6 自由度的大范围变形（侧向 40mm，垂直 20mm），可在三种不同模式下实现可调节的各向异性刚度，同时保持轻量化构造（330g）和低成本（$550）。通过仿真学习进行实验评估，CLAW 在基准 peg-插入任务中实现了 76% 的成功率，显著优于 Fin Ray 夹爪（43%）和刚性夹爪方案（36%）。CLAW 成功处理了多样化的接触丰富场景，包括公差严苛的精密装配和精细物体操作，展示了其在接触丰富领域实现稳健机器人学习的潜力。项目页面：https://project-page-manager.github.io/CLAW/
引用
@article{arxiv.2602.14434,
title = {A Soft Wrist with Anisotropic and Selectable Stiffness for Robust Robot Learning in Contact-rich Manipulation},
author = {Steven Oh and Tomoya Takahashi and Cristian C. Beltran-Hernandez and Yuki Kuroda and Masashi Hamaya},
journal= {arXiv preprint arXiv:2602.14434},
year = {2026}
}