RAPID Hand: A Robust, Affordable, Perception-Integrated, Dexterous Manipulation Platform for Generalist Robot Autonomy

本文针对用于实现通用机器人自主性的现实世界多指机器人操作数据收集平台中低成本但高灵巧性平台稀缺的问题进行了研究。为了解决这一问题，我们提出了RAPID手部系统，这是一个软硬件协同优化的平台，其中紧凑的20自由度手部、强大的全手感知能力和高自由度遥操作系统被联合设计。具体而言，RAPID手部系统采用了一种紧凑且实用的手部本体结构，以及一个在硬件层面实现的感知框架，该框架能够以低于7毫秒的延迟和空间对齐的方式稳定地集成腕部视觉、指尖触觉感知和本体感知。在高自由度手部上收集高质量演示数据是一项挑战，因为现有的遥操作方法在复杂的多指系统上难以保证精度和稳定性。我们通过一种通用驱动方案、定制的感知电子设备以及两种重定向约束，对手部设计、感知集成和遥操作系统进行了协同优化来解决这一问题。我们对平台的硬件、感知能力和遥操作系统接口进行了评估。基于收集到的数据训练的扩散策略模型表现优于先前的工作，验证了该系统在可靠、高质量数据收集方面的能力。该平台由低成本的现成组件构建，并将公开发布，以确保可重复性和易于使用。

论文试图解决多指机器人手在真实世界中收集高质量操控数据的挑战，特别是低成本但高灵活性平台的稀缺问题。这是一个实际应用中的关键问题，尤其是在推动通用机器人自主性方面。

论文提出了一种名为RAPID Hand的联合优化硬件和软件平台，通过紧凑的20自由度手部设计、稳健的整体手感知系统以及高自由度的远程操作界面来解决上述问题。其创新点在于将手部设计、感知集成和远程操作接口进行协同优化，并采用低延迟（<7ms）的硬件级感知框架，结合视觉、触觉和本体感知，从而实现高精度和稳定性。

论文展示了通过该平台训练的扩散策略模型性能优于先前工作，证明了其在可靠、高质量数据收集方面的优势。此外，该平台使用低成本、现成组件构建，并计划公开以促进可重复性和广泛应用。实验设计包括对硬件、感知系统和远程操作接口的全面评估。代码和设计预计开源，为未来研究提供坚实基础，特别是在更复杂的任务和更大规模的数据集上的应用值得进一步探索。

近期相关研究包括：1)《Teleoperated Dexterous Manipulation with Tactile Feedback》探讨了基于触觉反馈的远程操控；2)《Learning Dexterity: Robotic Hands for Real-World Tasks》研究了机器手在真实环境中的灵巧性学习；3)《Diffusion Policies for Robot Manipulation》提出了用于机器人操控的扩散策略模型。这些研究共同推动了多指机器人手的设计与应用进展。