LEAP Hand
PulseAugur coverage of LEAP Hand — every cluster mentioning LEAP Hand across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
DexMani框架提升机器人手部物体旋转的灵活性
研究人员开发了DexMani，一个旨在提高机器人手部灵巧物体旋转能力的新框架。该系统将人类演示数据转移到强化学习中进行指导，重点关注接触转换如何影响手部继续旋转的能力。DexMani在Shadow Hand、Allegro Hand和LEAP Hand等多种机器人手上都表现出高成功率，优于现有方法并产生更平滑的运动。
-
Web2Grasp 从网页图像中学习功能性机器人抓取
研究人员开发了 Web2Grasp，这是一种通过学习网页图像中捕捉到的人类交互来教授机器人手部进行功能性抓取的新方法。该方法从 RGB 图像中提取手部与物体交互的 3D 网格，并采用以交互为中心模型以及基于几何的过滤和物理模拟来完善抓取数据。该系统在模拟环境中对网页数据集中的物体成功率为 75.8%，在现实世界机器人手上成功率为 77.5%，包括注射器和刀具等挑战性物体。
-
新型AI模型生成具有力预测的灵巧机器人抓取
研究人员开发了EquiDexFlow，这是一种新颖的SE(3)-等变流匹配模型，旨在为机器人手生成灵巧抓取。与将接触力视为次要验证步骤的先前方法不同，EquiDexFlow将腕部姿态、关节角度、指尖接触、表面法线和接触力的预测直接集成到模型中。这种方法确保了预测的抓取不仅在运动学上是合理的，而且在物理上是稳定的，通过构建满足接触力条件和摩擦约束。该模型在模拟和物理硬件上都表现出强大的性能，成功实现了开环抓取并保持试验。
-
机械手通过触觉模拟掌握盲抓
研究人员开发了一种新颖的框架，用于通过灵巧机械手进行仅触觉的盲抓。他们的方法利用了Real2Sim触觉校准管道来创建一个数字孪生模拟器，该模拟器可以准确地重现现实世界的触觉信号。这与一个布局感知的触觉编码器相结合，该编码器整合了传感器几何先验知识，以及一个在模拟器中针对特定对象强化学习专家进行训练的Diffusion Policy。部署的策略在物理机械手上对20个对象实现了27%的成功率，且无需视觉输入。