引用本文

赵洲, 耿明强, 何秋实, 何赟鑫, 蔡明达, 周翔宇, 罗晶. 基于“形态−感知−动作”仿生机理的机器人自适应力控抓取方法. 自动化学报, 2026, 52(5): 1116−1127 doi: 10.16383/j.aas.c250453

Zhao Zhou, Geng Ming-Qiang, He Qiu-Shi, He Yun-Xin, Cai Ming-Da, Zhou Xiang-Yu, Luo Jing. Robot adaptive force control grasping method based on bionic mechanism of “shape-perception-action”. Acta Automatica Sinica, 2026, 52(5): 1116−1127 doi: 10.16383/j.aas.c250453

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250453

关键词

机器人抓取，视触觉传感器，多模态融合，抓取力

摘要

随着机器人技术快速发展, 其对精细感知能力需求日益增长. 然而, 现有机器人仍难以具备如人类般灵活的操作能力. 在精细抓取任务中, 机器人恒力抓取策略存在局限性: 抓取力过大易损伤物体, 抓取力过小则导致抓取不稳. 为应对上述问题, 提出一种基于视觉与触觉融合的机器人自适应力控抓取方法. 该方法由视觉模块、触觉模块和抓取策略组成: 视觉模块用于预测目标抓取位置; 在接触阶段, 触觉模块借助视触觉传感器恢复触觉深度并估算接触面积与法向力; 随后, 通过最大深度变化率和帧间均方差进行形变判定, 并触发抓取力调整策略, 从而实现“渐进增力–形变检测–力回退”的仿生反馈抓取机制. 实验结果表明, 该方法将多种日常物体的整体抓取成功率由87.50% 提升至98.75%, 在易碎物体抓取中实现零损坏.

文章导读

生物在自然演化过程中逐渐形成了“形态−感知−动作”协同机制, 以适应环境变化和完成多样化任务[1]. 这种机制在人类的日常动作学习中体现得尤为明显. 例如, 婴幼儿在成长过程中通过不断尝试与探索逐步掌握抓取技巧: 先依靠视觉获取目标的大致位置和形态信息, 然后在手部与物体接触的过程中, 通过皮肤和深层组织中的机械感受器感知法向力、剪切力和形变[2]. 这些触觉信息经神经系统迅速反馈至大脑和运动神经元, 实现抓取力与手部姿态的细微调整, 从而在避免对柔软或易碎物体施加过大压力的同时, 确保抓取动作的稳定和可靠.

近年来, 机器人研究在感知模式、运动控制和智能决策逻辑上重现了这种自然界的优势机制[3−4]. 随着传感器和人工智能技术的快速发展, 在机器人抓取中使用视觉传感器(如RGB相机、深度相机等) 能够实现远程的目标识别、姿态估计与环境建模[5−6]; 利用触觉传感器(如电阻式、压电式以及视触觉(见图1)等)则可在近距离物理交互中, 直接获取物体表面形态、接触力分布等信息[7−10].

图1  人类手指与视触觉传感器

在目标抓取检测方面, 早期方法多依赖几何建模与传统图像处理技术[11], 通过边缘、角点和轮廓特征推算目标的候选抓取位姿. 然而这类方法泛化能力不足, 难以应对复杂环境. 伴随着深度学习的发展, 基于数据驱动的抓取检测框架得到广泛应用, 如GGCNN[12]、TF-Grasp[13]、GraspNet[14] 等. 通过神经网络直接从图像中预测目标抓取位置、角度和宽度, 这些方法在未见过的物体上仍表现出较高的成功率. 在触觉感知方面, 传统触觉传感器(如力矩传感器、压电传感器)虽然在某些应用中具有较高的空间分辨率, 但在复杂物体的抓取中, 尤其是需要同时捕捉物体形状与受力分布时, 仍可能面临一定的局限性.

视触觉传感器(如GelSight[9]、DIGIT[10])结合柔性凝胶与高分辨率相机, 通过光度立体技术重建接触面形变, 可获得亚毫米级的深度与力学分布信息. 这为机器人抓取提供更丰富的感知信息.

然而, 单一模态在复杂环境中仍存在显著局限性: 单视觉方法易受光照、遮挡、纹理缺失等影响, 对透明、反光或柔性物体的抓取效果较差; 单触觉方法缺乏全局空间信息, 无法独立完成目标定位与路径规划, 并且需要机械臂先行接触才能获取信息, 限制了反应速度[15−16]. 为此, 视觉与触觉的融合逐渐成为机器人抓取领域的重要发展方向. 视觉在远程阶段完成抓取位置与姿态的粗略规划, 触觉在近距离交互阶段实现对抓取力和接触状态的精确闭环调节, 这种多模态融合方法不仅提升了抓取的成功率, 也增强了机器人对非结构化、动态环境的适应能力[17−18].

本文提出一种基于“形态–感知–动作”仿生机理的机器人自适应力控抓取方法(如图2), 核心创新在于构建解耦的“视觉位姿预测–触觉力控闭环”架构. 与现有方法将触觉用于辅助位姿规划或依赖固定力/简单规则调整不同, 本文方法明确划分视觉与触觉的职能边界: 视觉模块借鉴人类“全局感知”模式, 独立完成抓取位姿的预测; 触觉模块则聚焦“局部精控”, 在接触阶段独立运行“渐进增力–形变检测–力回退”的闭环策略, 通过视触觉传感器实时恢复形变深度、估算接触面积与法向力, 基于最大深度变化率与帧间均方差实现形变判定, 进而动态调节抓取力. 这种架构既规避了复杂跨模态融合的弊端, 降低了对数据量和计算资源的依赖, 又实现基于触觉反馈的抓取力精确控制, 能实时响应物体力学特性, 在多种物体及复杂环境下均能实现稳定、安全地抓取, 更本质地模拟人类抓取的仿生机制.

图2  基于“形态−感知−动作”仿生机理的机器人 自适应力控抓取方法

本文的主要贡献如下:

1)为解决远程感知的问题, 本文提出一种基于DINOv3的目标抓取检测模型, 在多个抓取检测数据集上取得良好的检测效果, 实现物体抓取位姿的准确检测.

2)为解决近端感知的问题, 本文基于对视触觉传感器(GelSight Mini)的形变深度恢复, 构建触觉接触面积、形变检测和抓取力估计的计算方法, 为接触信息分析提供数据来源.

3)为解决灵活稳定的物体抓取问题, 本文提出基于触觉反馈的抓取力调整策略. 相比传统的固定力抓取方式, 该方法在抓取过程中动态感知物体的接触状态与力学响应并实时调整抓取力, 系统在保持抓取稳定性的同时, 有效避免了过大抓取力造成的物体损伤, 体现出良好的通用性与鲁棒性.

图3  平面抓取位姿表示

本文提出一种基于“形态−感知−动作”仿生机理的机器人自适应力控抓取方法, 旨在解决恒力抓取时容易导致物体滑动或受损的问题. 本方法以基于DINOv3的视觉模块完成抓取位姿预测, 通过在接触阶段恢复视触觉传感器(GelSight Mini)的触觉深度并估算接触面积与法向力, 基于深度变化率与帧间MSE的形变判定触发抓取力调节策略, 构建“渐进增力–形变检测–力回退”的抓取机制. 本方法在提高抓取成功率、降低物体损伤和实现能效抓取方面具有明显优势, 为服务机器人中的多模态感知与操作提供了可复现的实验平台与方法论依据.

作者简介

赵洲

华中师范大学计算机学院副教授. 2023年获得法国巴黎索邦大学计算机科学与技术专业博士学位. 主要研究方向为机器人智能感知. E-mail: zhaozhou@ccnu.edu.cn

耿明强

华中师范大学计算机学院硕士研究生. 2025年获得华中师范大学软件工程专业学士学位. 主要研究方向为机器人技术. E-mail: gengmq@mails.ccnu.edu.cn

何秋实

中国人民武装警察部队警官学院教员. 2025年获得四川大学管理学专业硕士学位. 主要研究方向为军事指挥, 管理科学与工程, 无人系统智能感知与决策. E-mail: 15680879000@163.com

何赟鑫

华中师范大学计算机学院硕士研究生. 2023年获得华东交通大学计算机科学与技术专业学士学位. 主要研究方向为机器人技术. E-mail: heyunxin@mails.ccnu.edu.cn

蔡明达

武汉理工大学自动化学院硕士研究生. 2024年获得长沙理工大学测控技术与仪器专业学士学位. 主要研究方向为人机协作. E-mail: 19307496164@163.com

周翔宇

武汉理工大学自动化学院硕士研究生. 2021年获得武汉理工大学电气工程及其自动化专业学士学位. 主要研究方向为人机协作. E-mail: xiangyuzhou@whut.edu.cn

罗晶

武汉理工大学自动化学院教授. 2020年获得中国广州华南理工大学和英国伦敦帝国理工学院联合博士学位. 主要研究方向为机器人, 远程操作, 可穿戴设备和人机交互. 本文通信作者. E-mail: ljing_ac@whut.edu.cn

支持单位：