1

“开发灵巧手的工程量，占到整机开发工程的一半。即便是最灵活的机器人，也做不到所有人类所有的活动，但这仍然是非常困难的事情。”

2

01.“手”

在方寸之内施展“空间魔术”

小型化与轻量化，是灵巧手产品硬件设计的“硬指标”。

以目前市面上最常见的“6主动+5被动”连杆设计灵巧手为例，在手掌见方的空间内，塞入六枚子弹大小的电机驱动模块，以及驱动板、感知集成模块、连杆、铰接机构等一系列零部件。完成如此高集成度的硬件设计，对工程团队而言是一项巨大挑战。

在“手”这个领域，兆威机电可谓是目前最极致的玩家之一了。公司最新发布的LM17灵巧手，在17个关节采用了全电机驱动。不仅如此，他们还在不同的关节处采用了尺寸各异的驱动模块，这种差异化设计显著提高了关节灵活度和空间利用率，避免了单一规格电机在某些关节无法充分利用空间或无法提供足够扭矩的问题。能做到这点，得益于兆威机电在微型传动领域深耕多年后，形成了丰富的产品矩阵，在设计和选型时获得了更大的自由度。

除了连杆传动方案，腱绳传动也是灵巧手的主流设计方案之一。通过将驱动电机后置于“手臂”处，为手掌区域省下了原本放置电机的空间，但其设计难度也不比连杆方案简单多少。以中科硅纪Casia Hand-H灵巧手为例，21个腱绳驱动单元虽然没有占据手掌部分的空间，但大量的分线盘、导线轮、张紧轮等衍生机构，仍然使设计复杂度大幅提升。

与驱动、传动等核心模块相比，灵巧手内部线缆的安置看似无伤大雅，却是保证灵巧手稳定性和持久性的关键要素，同样是不容忽视的一环。在空间极度受限的条件下，工程师需为传感器线与电机线预留孔槽，确保无外露线缆（防剐蹭），并通过张紧机构维持线缆在不同弯曲状态下的稳定性。

硬件设计的整体水平如何，除了定位精度、抓握力等性能以外，还有个容易被忽视的指标——温度控制。高功率密度的微型电机持续工作会产生大量热量，保证灵巧手整体保持在30-50°C左右的工作温度，才能避免控制板烧坏、电机失灵等意外的发生。因此，温升控制是对内部空间排布是否合理，散热方案是否有效的终极考验。

02.“眼”

 通过触摸解码不可见的世界

灵巧手的“眼”，泛指其探测周边环境的感知系统，通常由力觉、触觉、视觉等维度通力合作完成。

类似于人手，触觉感知是灵巧手最核心的感知系统之一。在日常生活中，我们可以接触到许多带有触屏类的智能设备，然而这类设备用到的触觉传感器，难以满足灵巧手对触觉感知的需求。原因在于此类传感器通常只可识别单一维度，而只有能够反馈接近觉、滑觉、温觉等信息的多维触觉传感器，才能满足灵巧手实现精细操作的需求。

与触觉感知多维度相对应的，触觉传感器的产品类型也不尽相同。按照实现的技术路径不同，大致可分为压电式、磁导式、电容式、压阻式与视触觉等类型。

不同技术路径下的触觉传感器产品各有特色，比如传统电容式传感器成本低、可大面积部署，但是测试维度偏少、且容易受到温湿环境干扰；而磁导式传感器测试维度多、灵敏度强，但价格相对偏高。

【不同技术原理的触觉传感器特点信息表】

灵巧手玩家中有不少精通触觉传感器的玩家，帕西尼感知自主研发ITPU多维触觉传感技术，将传统触觉传感器的单一压力感知拓展至多种物理属性解析（如压力、温度、纹理、硬度、滑动等），赋予机器人"类人级"的细腻触感。

技术通过高密度阵列集成（单只灵巧手DexH13搭载978-1140个ITPU单元），实现0.01N超高精度力控与5-6kg负载能力的完美平衡，既能轻柔抓握鸡蛋，又可稳定搬运重物。

【帕西尼ITPU】

戴盟机器人的触觉传感器DM-Tac W采用的是光学视触觉融合技术。其核心创新在于将摄像头集成于毫米级超薄结构中，每平方厘米覆盖4万个感知单元（超人手密度16倍），同步捕捉物体形貌、纹理、软硬、滑移、正压力与切向力等多种物理属性。

配合120Hz高频信号输出与触觉流算法，DM-Tac W在500万次按压测试后仍保持信号零漂移，寿命达工业级标准。该传感器已集成于五指灵巧手DM-Hand1，赋能机器人实现易碎件柔顺抓取、精密装配等高难度任务。

【戴盟触觉传感器DM-Tac W】

03.“脑”

让灵巧手学会“思考如何操作”

灵巧手的“脑”，是协调“手”的硬件能力与“眼”的感知数据、最终实现精准操作的控制中枢。它的核心任务，是在毫秒间完成“感知-决策-执行”的思考闭环，与之相关的模型/算法，大致可以分成四种类型：

1. 感知理解类（目标检测/行为预测）

2. 策略规划类（抓取策略生成/任务分解）

3. 运动控制类（姿态控制/力位混合控制）

4. 自主学习类（模仿学习/强化学习泛化）

感知理解类算法/模型解决的是环境与目标的理解问题，通过动态建模等方法，预测操作环境和抓取目标的属性、位置、状态等信息。北京大学王鹤团队开发的UniDexGrasp算法基于场景中物体的点云信息，精准分离出目标的物体轮廓，推算出6D位姿，并据此生成适合的抓取手势。

【UniDexGrasp-抓取位姿生成】

策略规划类算法/模型解决的是解决任务分解与动作序列优化问题，通过时空建模生成多指协同接触点与时序动作。浙大工控所团队发布DiffContact模型，通过接触图生成→时序轨迹优化的两阶段策略，完成静态任务分解与动态序列生成，解决灵巧手高自由度协同难题，将多指协同的标注稳定性提升35%，复杂任务分解成功率提升40%。

【DiffContact示意】

运动控制类算法/模型解决的是解决高自由度协同下的精准力位调节问题，实现灵巧手抗扰动操作。睿研智控的15自由度灵巧手利用力位混合智能控制算法，可以无需依赖触觉传感器即可实现自适应抓取，完成如猜拳、握笔、握鸡蛋、摘草莓、递名片等复杂动作和精准抓放。

【睿研智控】

自主学习类算法/模型解决的是解决数据依赖与跨场景泛化问题，降低真实训练成本并提升迁移能力。灵巧智能开发了具身智能训练平台，打通“视-臂-手-触-动全链路”，支持虚拟环境下的灵巧操作训练。其产品DexHand021采用“仿真迁移训练”方法，通过虚拟环境降低数据依赖，并实现“高成功率抓取”。

【灵巧智能-仿真操作训练示意】