MM-Hand：低惯性与高感知的平衡——21自由度远程驱动灵巧手深度解析

TL;DR

针对人形机器人末端载荷有限、操作空间狭小的痛点，香港大学（MMLab）团队推出了 MM-Hand。这不仅是一款拥有 21 个自由度的“类人级”灵巧手，更通过**远程腱驱动（Remote Tendon-driven）**技术将沉重的电机移出末端，实现了仅靠 3D 打印结构和丰富多模态感知（触觉+视觉+关节位置）组成的超轻量化平台。

背景定位：性能与质量的“零和博弈”

在灵巧手的设计坐标系中，开发者往往在“高度集成（内置电机）”与“轻量化灵巧（远程驱动）”之间徘徊：

• 内置电机（如 LEAP Hand）：控制精准但太重，热积累严重。
• 远程驱动（如早期腱驱动手）：轻便但面临复杂的摩擦力建模和控制迟滞。

MM-Hand 的定位非常清晰：通过理论建模+闭环补偿，在保留远程驱动轻量化优势的同时，彻底解决摩擦和路径耦合带来的精度损失。

核心机制：透视远程驱动背后的数学直觉

1. 腱-套管传输建模

作者在论文中深入探讨了 Bowden-cable（套管线）传输的物理特性。根据公式 $l_t=L-\frac{D-d}{2}\varphi$，腱绳长度的变化与套管的总弯曲角度 $\varphi$ 成线性比例。这意味着当机械臂（Arm）摆动时，即便手指不动，腱绳也会因为套管弯曲而产生非预期的拉伸。

2. 摩擦力的指数级挑战

基于经典物理中的 Capstan 效应，拉力在弯曲套管中的损失呈指数级增长：$T(L)=T(0)\exp (\mu \varphi )$。本文通过实验对比了四种套管材料，最终发现**金属弹簧线管（Metal spring tube）**在动摩擦力表现上最均衡，能够有效兼顾耐用性与传输效率。

图 1：MM-Hand 整体系统架构，可见电机组（Motor Hub）与手部通过长达 1 米的套管物理分离。

硬件创新：模块化与多模态感知的融合

MM-Hand 的设计细节充分考虑了现实任务的复杂性：

• 模块化手指：四个长指采用相同的 3D 打印分割结构，便于快速更换损坏部件；大拇指则增加了基座旋转自由度，模拟人类的对指（Opposition）能力。
• 快换连接盒：在掌部集成了腱绳连接盒，这意味着如果你需要维修机械臂，无需拆解整根长达 1 米的腱绳，只需在手掌处脱开即可。
• 感知全家桶：
  • 关节层：高精度绝对编码器（AMS AS5047P）。
  • 触觉层：PaXini Elite 触觉传感器（涵盖指尖及指节）。
  • 视觉层：掌内嵌入式双目相机，配合神经网络（RAFT-Stereo）提供第一视角的深度图。

图 2：手指的模块化拆解视图，展示了垂直分割的指节设计，极大地简化了内部线缆布线。

实验与控制：用闭环击败非线性

为了应对长距离腱驱动带来的 0.2 秒左右的传输延迟与滞后（Hysteresis），团队没有死磕复杂的动力学建模，而是采用了传感器驱动的闭环策略。

• 静态表现：稳态误差 < 0.1°。
• 动态表现：即使机械臂在空间进行大幅度运动（产生巨大的外部扰动），得益于直接安装在关节处的绝对编码器反馈，手指依然能保持稳定的正弦追踪效果。
• 力学极限：单指指尖力达到 25N（1 米传输下），足以应对大多数桌面清理、物体抓取任务。

图 3：关节追踪实验。即使机械臂在运动（Manipulator motion），手指仍能通过闭环反馈维持准确的运动轨迹。

深度洞察：灵巧手研究的未来风向标

MM-Hand 的成功在于它不再试图在一个受限的空间内塞入所有的动力源，而是将感知留在末端，将动力引向基座。这种“轻量化末端+重感知反馈”的思路极其契合当前端到端强化学习（RL）的需求：RL 算法需要大量的交互数据，而轻量化、易维修且感知丰富的硬件是降低实验成本、加速策略收敛的关键。

局限性分析： 虽然 MM-Hand 表现出色，但仍存在弹簧回放力度在某些极限角度（如外展/内收动作）略显不足的情况。团队正在开发的 MM-Hand 1.1 版本将针对腱绳磨损和掌部尺寸进一步优化。

总结： MM-Hand 是一场工程设计上的“精确减法”，它为学术界提供了一个功能完备且完全开源（https://mmlab.hk/research/MM-Hand）的研究工具，标志着远程驱动灵巧手正从“实验室玩具”走向真正的“实用平台”。