（每日一读2019.10.18）向人类学习如何抓取：数据驱动的架构 拟人软手自主抓握

原论文：

摘要

软手是将顺应性元素嵌入其机械设计中的机器人系统。这样可以有效地适应物品和环境，并最终提高其抓握性能。如果与经典的刚性手相比，这些手在人性化操作方面具有明显的优势，即易于使用和坚固耐用。但是，由于缺乏合适的控制策略，它们在自主控制方面的潜力仍未得到开发。为了解决这个问题，在这项工作中，我们提出了一种方法，可以从观察人类策略开始，使软手能够自主地抓握物体。通过深度神经网络实现的分类器将要抓取的物体的视觉信息作为输入，并预测人类将执行哪些操作来实现目标。因此，此信息用于从一组人类启发的原语中选择一个，这些原语将软手姿势的演变定义为预期动作和基于触摸的反应性抓握的组合。该体系结构的硬件组件包括用于观察场景的RGB摄像头，7自由度操纵器和柔性手。柔性手在指甲处装有IMU，用于检测与物体的接触。我们使用20个对象对提出的体系结构进行了广泛的测试，在111个抓取过程中，成功率为81.1％。

引用

由于实际相关性和理论复杂性，用人工手执行可靠和稳定的抓握是机器人领域的主要挑战。 用于用刚性机械手抓握的经典方法通常偏向于以对象为中心的分析解决方案。 更具体地说，假设一组可用的接触点，同时根据对象知识评估它们的位置和接触力[1]。 尽管这种方法非常优雅并且在理论上是合理的，但在实践中尚未产生预期的结果。 为了解决这些局限性，通