IJRR 重磅，浙江大學機械工程學院Grasp Lab用AI 賦能機械革新

GL-robot 原題圖與應用場景示意圖

在機器人抓取與操作領域，長期存在核心矛盾：高負載與精細操作難以兼顧、力感知依賴昂貴觸覺傳感器、機械結構與智能控制脫節。浙江大學GraspLab研發的復合多連桿二指夾爪GL-Robot，以“AI+mechanism”深度融合為核心路徑，圍繞“手機構優化、手指力感知、抓取與操作規劃”三大維度實現突破，更創新性驗證了關鍵觀點——靈巧手與觸覺感知可解耦分離，無需觸覺傳感器即可實現高精度力控，為機器人抓取技術開辟了低成本、高適應性的新賽道。

GL-robot 抓取效果動圖

▍手機構優化：耦合-解耦聯動，筑牢智能抓取硬件根基

機械結構是機器人抓取的核心載體，GL-Robot的機構創新突破了傳統欠驅動抓手的性能瓶頸，為“AI賦能”提供了高效適配的硬件基礎。

• 采用單執行器驅動的兩指三關節欠驅動架構，通過獨創的“堆疊四連桿疊加可解耦機制”，實現關節運動的耦合協同與解耦自適應。這種設計既簡化了驅動復雜度，又通過固定平行四桿結構分擔抓取反力，降低執行器負載，兼顧了結構簡潔性與力傳遞效率。

• 構建多模態抓取適配能力，針對不同尺寸、形狀物體智能切換抓取模式：面對螺絲、筆等小型工件時，前兩指節同步運動實現“高精度平行抓取”；接觸較大或不規則物體時，近端指骨先觸停，連桿機構自動解耦，驅動中段與遠端指節持續彎曲形成“全域包絡抓取”，通過“力閉合”原理保障抓取穩定性。

• 關節集成扭轉彈簧與機械限位設計，既維持指骨初始姿態，避免重力與慣性導致的非期望運動，又能在釋放物體時自動復位，實現能量高效利用與運動精準控制，為后續AI感知與規劃提供了穩定的機械響應基礎。

GL-robot 平行抓取與包覆抓取

GL-robot 基于雙四連桿機構的復合五連桿結構

▍手部多模態感知：無傳感力控突破，驗證觸覺-靈巧手解耦核心觀點

傳統認知中，靈巧手的精細操作依賴觸覺傳感器實現力反饋，但GL-Robot通過“機械特性+AI算法”的協同創新，構建了無傳感多模態感知體系，徹底打破“觸覺傳感器與靈巧手綁定”的固有邏輯。

• 提出無傳感力感知框架，摒棄傳統力傳感器的硬件依賴，利用電機電流與抓取負載的直接映射關系，通過電流信號解析外部接觸狀態。當夾爪接觸物體時，阻力變化會引發電流波動，這些波動中蘊含著抓取模式切換、關節姿態、接觸力等關鍵信息。

• 引入長短期記憶網絡（LSTM）實現AI賦能的信號解析，通過大量抓取數據訓練模型，讓AI學習電流變化與手指關節角度、接觸力的深層關聯。結合逆運動學模型與雅可比矩陣映射，完成“電流感知-AI解析-姿態重構-力學計算”的閉環流程，力控精度顯著優于傳統數理統計方法。

• 實現多場景力感知適配：在小力操作場景中，力控精度低至0.1N，平均誤差不超過0.61N，可安全抓取雞蛋、芯片等易碎品；在重載場景中，通過電流-力直接控制，最大承載力達250N，能穩定抓取盛滿水的水桶等重物，證明無觸覺傳感器同樣可實現寬范圍、高精度力控。

GL-robot 基于LSTM網絡的精準抓取力感知

▍抓取與操作規劃：分層雙模策略，實現AI-機械協同決策

基于優化的機械結構與多模態感知能力，GL-Robot構建了智能化抓取與操作規劃體系，通過分層控制策略適配不同任務需求，彰顯“AI+mechanism”的協同優勢。

• 建立“位置-力”與“電流-力”雙模控制架構**，針對不同任務場景動態切換規劃邏輯：精細操作時，采用位置環結合逆運動學微調，利用指尖柔性墊片的微小形變實現輕柔力控，避免損傷易碎物體；重載作業時，直接通過AI驅動的電流信號監測，精準控制抓取力，保障高負載下的穩定性。

• 規劃邏輯與機械特性深度耦合，通過預先建立的夾爪力學模型與分支計算方法，應對不同接觸順序的復雜場景。模型分析表明，抓取穩定性主要受遠端指節接觸點控制，初始位置偏差影響較小，實現了力閉環控制與接觸適應的精準匹配。

• 具備全域抓取適配規劃能力，可穩定握持從輕薄硬幣到邊長超10厘米立方體的各類物體，通過姿態自適應貼合電鉆、眼鏡、酒瓶等不規則形狀工件，有效防止滑移，展現出極強的場景魯棒性。

GL-robot 精準力控抓取實驗與多樣性泛化抓取測試

▍核心價值與未來展望

GL-Robot的突破核心在于“AI+mechanism”的深度融合：機械結構的耦合-解耦創新為抓取提供了高效硬件基礎，AI算法則賦能無傳感感知與智能規劃，二者協同而非簡單疊加，讓傳統剛性夾爪升級為智能自感知組件。其提出的“靈巧手與觸覺感知解耦”觀點，顛覆了“力控必須依賴觸覺傳感器”的傳統認知，為低成本、高可靠性的抓取方案提供了理論與實踐支撐。

在商業化層面，GL-Robot無需昂貴力傳感器的設計大幅降低成本，同時在負載能力、力控精度、抓取范圍等關鍵指標上表現優異，具備與Robotiq85等商用夾爪比肩的潛力，可廣泛應用于工業裝配、物流分揀、家庭服務等領域。未來，隨著AI驅動的機構設計、感知與控制協同優化持續推進，機器人抓取與操作技術將進一步突破場景限制，在工業智能化與生活服務自動化中發揮更核心的作用。

GL-robot工業場景工具與材料抓取示意

本文完全由GraspLab獨立研究撰寫而成，李積豪、朱科祺，郭昊天。

▍機器人抓取實驗室（Grasp Lab/GL）介紹

機器人抓取實驗室（Grasp Lab）是浙江大學機械工程學院聚焦于機器人抓取的核心課題組，定位為“感知-推理-操作”全鏈條技術突破與工程化落地的創新平臺。實驗室以解決機器人在復雜真實場景下的高效環境理解、抓取軌跡智能推理及高可靠物理交互這一核心挑戰性問題為目標，致力于構建面向家庭服務、超市物流、倉儲分揀及工業制造等多場景的魯棒操作優化系統，為智能機器人實現通用化、靈巧化抓取與操作提供高性能解決方案。

研究團隊通過數學建模、靈巧手設計與控制、視覺感知融合及機器人自監督學習等前沿技術路徑開展研究，已在國際機器人領域頂級期刊和會議上發表一系列高質量成果，包括IJRR、T-RO、NC、RSS等權威期刊與頂級會議

本文完全由GraspLab獨立研究并撰寫而成，作者為李積豪、朱科祺，郭昊天，通訊作者為實驗室負責人董會旭。董會旭博士是國家高層次青年人才計劃（“海外優青”），浙江大學機械工程學院新百人計劃研究員/博士生導師，長期深耕機器人感知與抓取領域，為實驗室的學術研究與團隊建設奠定了堅實的學科基礎和國際視野。