麻省理工学院(MIT)的机械手可以单握识别物体

与其他设计不同的是，麻省理工学院的机器人手指是由坚硬的骨架包裹在柔软的外层中，透明的皮肤下包含高分辨率传感器。“传感器使用摄像头和led来收集物体形状的视觉信息，并沿着手指长度提供连续的传感。”

利用这种设计，研究人员制造了一只三指机械手，可以在一次抓取后识别物体，准确率约为85%。坚硬的骨架使手指足够强壮，可以拿起重物，而柔软的皮肤使它们能够安全地抓住柔韧的物品而不会压碎它。

“对于任何手来说，拥有柔软和坚硬的元素都是非常重要的，但能够在一个非常大的区域内进行出色的传感也是非常重要的，特别是如果我们想要考虑做非常复杂的操作任务，比如我们自己的手可以做的事情。我们这项工作的目标是将所有使我们的人手如此优秀的东西结合到一个机器手指中，可以完成其他机器手指目前不能做的任务，”机械工程研究生桑德拉·刘说，她是一项研究的联合主要作者关于机器手指的研究论文．

更多来自机器人技术

机器人手指由3d打印的刚性内骨骼组成，置于模具中，并包裹在透明的硅胶皮肤中。研究人员设计了一个弯曲形状的模具，这样机器人的手指在静止时就会像人类的手指一样微微弯曲。

“硅胶弯曲时会起皱，所以我们认为，如果我们把手指塑造成这种弯曲的位置，当你弯曲手指抓住一个物体时，就不会产生那么多皱纹。皱纹在某些方面是有好处的——它们可以帮助手指在表面上非常平滑、轻松地滑动——但我们不想要我们无法控制的皱纹，”刘在一份声明中说。

每根手指的内骨骼都包含一对GelSight触摸传感器，嵌入在透明皮肤的顶部和中间部分。传感器的放置使摄像机的范围略有重叠，使手指在整个长度上连续感应。

根据麻省理工学院的说法GelSight传感器由一个相机和三个彩色led组成;当手指握住一个物体时，彩色led从内部照亮皮肤，摄像头就会捕捉到图像。

使用出现在柔软皮肤上的照明轮廓，一种算法执行逆向计算，以绘制被抓物体表面的轮廓。研究人员训练了一个机器学习模型来使用原始相机图像数据识别物体。

研究人员在制造过程中遇到了挑战，比如硅胶皮肤会随着时间的推移而脱落。这是通过在内骨骼关节之间的铰链上添加小曲线来克服的。

当手指弯曲时，硅胶的弯曲会沿着微小的曲线分布，从而减少压力，防止脱皮。他们还在关节处增加了折痕，这样当手指弯曲时硅胶就不会被压扁。

一旦他们完善了设计，研究人员就用两根手指排成Y形，第三根手指作为相对的拇指，制造了一只机械手。当手抓住一个物体时，它会捕捉6张图像，并将这些图像发送给机器学习算法，机器学习算法将这些图像作为输入来识别物体。

由于手的所有手指都有触觉感应，它可以从一次抓取中收集丰富的触觉数据。

这项研究将于本周在2023年会议上公布RoboSoft会议在新加坡。