机器人操作
引言
操作（Manipulation）研究机器人如何用末端执行器改变物体的状态——抓取、搬运、装配、开门、使用工具。与移动机器人只需在自由空间中避障不同，操作的本质是主动建立并控制接触：机器人必须靠近物体、施加合适的力、在接触约束下完成动作。接触让动力学变得不连续、让感知变得残缺（手会遮挡物体）、让误差变得不可容忍（几毫米的偏差就会导致装配失败），这使操作成为机器人学中至今仍未被完全解决的方向。
操作任务的层次
一个完整的操作任务通常分解为以下环节，每个环节都有独立的失败模式：
| 环节 | 输入 | 输出 | 主要难点 |
|---|---|---|---|
| 物体感知 | 图像 / 点云 | 物体位姿或几何 | 遮挡、反光、透明、无纹理物体 |
| 抓取位姿生成 | 物体几何 | 可行的抓取位姿集合 | 未知物体的泛化、杂乱堆叠场景 |
| 抓取位姿筛选 | 候选位姿 | 单个可执行位姿 | 需同时满足可达性与无碰撞 |
| 趋近运动 | 抓取位姿 | 关节轨迹 | 避障、避奇异、保持视野 |
| 闭合与提起 | 接触状态 | 稳定夹持 | 滑移检测、力度控制 |
| 带物运动 | 目标位置 | 关节轨迹 | 负载变化、物体在手中的位姿不确定 |
| 放置或装配 | 目标约束 | 接触力与位移 | 位置误差补偿、卡阻（Jamming）处理 |
工程上一个反复出现的教训是：失败往往不在抓取本身，而在抓取前后的衔接。抓取位姿在几何上完美，却因为机械臂无法以该姿态到达而不可用；抓稳了却在搬运途中因加速度过大而滑落；对准了却因为孔位有 0.5 mm 偏差而插不进去。因此本章把感知、规划、控制放在一起讨论，而不是孤立地看抓取算法。
本章内容导览
| 页面 | 主要内容 |
|---|---|
| 抓取 | 抓取的力学判据、夹爪类型、解析与数据驱动的抓取位姿生成、杂乱场景抓取 |
| 力控与柔顺控制 | 阻抗与导纳控制、混合力位控制、接触检测、轴孔装配策略 |
| MoveIt 实践 | 配置流程、规划场景与碰撞检测、笛卡尔路径、抓取流水线、常见问题排查 |
硬件形态
末端执行器
| 类型 | 自由度 | 适用物体 | 特点 |
|---|---|---|---|
| 二指平行夹爪 | 1 | 规则刚体 | 最常用，控制简单，对形状要求高 |
| 三指 / 自适应夹爪 | 1–3 | 多种形状 | 欠驱动结构自动包裹物体，容错性好 |
| 吸盘 / 真空吸具 | 0 | 平整、密封表面 | 物流分拣的主力方案，对多孔和柔软表面无效 |
| 灵巧手 | 12–20+ | 通用 | 可完成手内操作（In-hand Manipulation），控制与感知极难 |
| 专用工具 | 0 | 单一任务 | 螺丝刀、焊枪、点胶头等，产线上最可靠 |
选型的第一原则是用最简单的能完成任务的末端。灵巧手在演示中令人印象深刻，但在产线上，一个针对特定零件设计的专用夹具往往更快、更可靠、更便宜。
力与触觉感知
- 关节力矩传感器：集成在每个关节中（如 Franka Panda、KUKA iiwa），可估计末端受力，是实现整臂柔顺的基础
- 腕部六维力/力矩传感器（F/T Sensor）：直接测量末端的三维力与三维力矩，精度高，是装配任务的标配
- 电机电流估计：无需额外硬件，用电流反推力矩，精度受摩擦与减速比影响大，只适合粗略的碰撞检测
- 触觉传感器：指尖阵列式压力传感、或基于视觉的触觉传感器（GelSight、DIGIT），能感知接触位置、滑移与局部几何，是手内操作的关键
一条实践经验：碰撞检测和力控制对传感器带宽的要求截然不同。碰撞检测只需要判断"是否撞到了"，用关节电流在 100 Hz 就够；而稳定的力控闭环通常需要 500 Hz 以上，且传感器噪声必须足够低，否则微分项会引入振荡。
与其他章节的关系
- 运动学与动力学：逆运动学 决定抓取位姿是否可达，雅可比矩阵 的静力学对偶 是力控的基础，动力学 支撑阻抗控制的实现
- 视觉：位姿估计 提供物体的 6D 位姿，分割 在杂乱场景中分离物体，三维视觉 提供点云输入
- 规划：运动规划 生成趋近与撤离轨迹，需要在含物体的规划场景中做碰撞检测
- 控制：力控是控制方法在接触任务中的具体应用
- 学习：模仿学习与强化学习在接触丰富的操作任务上正逐步超过手工设计的策略
当前的技术边界
值得对现状有清醒的认识：
已经工程化的：结构化环境中已知刚性物体的抓取与放置（产线上料、物流分拣）、有良好定位辅助的装配（带倒角的轴孔配合）、示教编程的重复性作业。这些场景中，位置控制加专用夹具就足够。
处于研究到落地过渡期的：杂乱堆叠场景中未知物体的抓取（DexNet、GraspNet 等方法在标准测试集上成功率已超过 90%，但对透明、反光、极薄物体仍然脆弱）、基于力反馈的柔性装配、双臂协作。
仍是开放问题的：可变形物体操作（布料、线缆、食品）、手内操作与重定向、长程多步骤任务（做一顿饭）、真正的开放世界泛化。近年 视觉-语言-动作模型 在这些方向上展现出潜力，但数据效率、可靠性与安全性距离产业应用仍有明显距离。
参考资料
- Mason, M. T. (2001). Mechanics of Robotic Manipulation. MIT Press. — 操作力学的经典著作。
- Lynch, K. M. & Park, F. C. (2017). Modern Robotics. Cambridge University Press. — 第 12、13 章讨论抓取与接触。
- Siciliano, B. & Khatib, O. (Eds.) (2016). Springer Handbook of Robotics (2nd ed.). Springer. — 第 37–38 章为抓取与接触建模的综述。
- Billard, A. & Kragic, D. (2019). Trends and Challenges in Robot Manipulation. Science, 364(6446). — 对操作领域现状与挑战的权威综述。
- Kroemer, O., Niekum, S. & Konidaris, G. (2021). A Review of Robot Learning for Manipulation. Journal of Machine Learning Research, 22(30), 1-82.