一、引言
人类双手是自然界最精妙的工具之一——27 块骨骼、29 个关节、超过 30 条肌肉协同工作，赋予我们抓、握、捏、拧、弹等一系列精细操作能力。让机器人拥有一双同样灵巧的手，是机器人学自诞生以来就未曾放弃的目标。
机器人多指灵巧手（Dexterous Robotic Hand）是指具有多个独立可控手指、能够完成复杂抓取与操作任务的末端执行器。与简单的二指夹爪（Gripper）或吸盘不同，灵巧手追求的是 灵活性（Dexterity） 与 通用性（Versatility）——像人手一样适应千变万化的物体形状与操作需求。
从 20 世纪 70 年代的早期尝试，到如今融合触觉传感、肌腱驱动、强化学习的智能灵巧手，这一领域走过半个多世纪的探索之路。本文将从发展沿革、结构形式、核心技术、控制方法四个维度，系统梳理机器人多指灵巧手的技术全景。
二、发展沿革
2.1 萌芽期（1970s—1980s）
现代灵巧手研究可追溯至 20 世纪 70 年代。1974 年，日本电工实验室（ETL）研制了 ETL 手，采用四指结构、液压驱动，可实现基本的抓取动作。这是已知最早的多指灵巧手原型之一。
1982 年，美国斯坦福研究院（SRI）研制的 Stanford/JPL 手（后称 Salisbury Hand）具有里程碑意义。该手采用三指 9 自由度结构，通过腱绳（Tendon）传动实现手指弯曲，奠定了腱驱动灵巧手的基本范式。其设计理念——"最少手指数量下最大化操作灵巧性"——深刻影响了后续数十年的灵巧手设计。
1984 年，美国犹他大学与麻省理工学院联合开发的 Utah/MIT 手问世。这是一款四指 16 自由度、气动肌腱驱动的全尺寸灵巧手，首次尝试模拟人手的解剖学结构，每根手指有独立的屈伸肌腱。该手在当时极为先进，但由于气动系统的体积和噪声问题，未能走出实验室。
🔑 奠基性贡献：Salisbury 等人提出的"抓取矩阵"（Grasp Matrix）理论成为灵巧手运动学分析的数学基础；Cutkosky 的抓取分类法为灵巧操作提供了系统化的认知框架。这些理论成果至今仍是灵巧手研究的必修课。
2.2 发展期（1990s—2000s）
1990 年代，灵巧手研究进入活跃期，多家机构推出了具有代表性的产品级灵巧手。
1996 年，德国宇航中心（DLR）发布了 DLR Hand I，采用模块化设计、谐波减速器驱动，将电机集成在手指内部。1999 年的 DLR Hand II 大幅提升了传感能力，集成了位置、力矩和触觉传感器。
1999 年，日本岐阜大学与丰田公司联合研制了 Gifu Hand I/II/III 系列，采用五指 20 自由度结构，每个手指由微型直流电机经丝杠螺母机构驱动，能够实现较为自然的抓取动作。
2001 年，NASA 的 Robonaut Hand 专为太空任务设计，具有 12 个自由度、14 个独立运动，集成了多种传感能力，能够操纵航天工具。这是灵巧手从实验室走向实际应用的重要一步。
同期，触觉传感技术开始融入灵巧手。日本名古屋大学和東京大学的研究团队在手指表面集成阵列式触觉传感器，使灵巧手能够感知接触力与滑动。
2.3 成熟期（2010s 至今）
进入 21 世纪第二个十年，灵巧手研究出现显著分化：一方面向高精度、高传感密度的研究方向深化，另一方面向低成本、可量产的应用方向拓展。
高精度方向：
- DLR Hand II 与 HIT/DLR Hand（哈尔滨工业大学与 DLR 合作）：五指集成、每个手指有 3 个自由度，采用盘式编码器与六维力矩传感器，是当时技术密度最高的灵巧手之一。
- Shadow Dexterous Hand（英国 Shadow Robot 公司）：高度仿人手结构，24 个自由度，采用气动人工肌肉（PAM）驱动，可模拟 40 种以上人手运动。是学术界使用最广泛的灵巧手平台之一。
- Festo BionicSoftHand：采用气动波纹管驱动器，完全无刚性骨架，柔顺适应抓取物体形状，体现了"软体机器人"理念在灵巧手中的应用。
低成本方向：
- OpenAI Dexterous Hand / Dactyl：基于 Shadow Hand 配合域随机化（Domain Randomization）强化学习训练，实现了魔方单手翻转（In-hand Manipulation），震惊机器人学界。
- Allegro Hand（韩国 SimLab / Wonik Robotics）：四指 16 自由度、电机驱动、结构紧凑、价格适中（约 2 万美元），成为全球机器人实验室的"标准平台"之一。
- Leap Hand（2023）：麻省理工开源设计的低成本灵巧手，3D 打印结构 + 舵机驱动，整手材料成本不足 300 美元，极大降低了灵巧手研究的入門门槛。
商业化探索：
- Robotiq 三指手：面向工业协作机器人（Universal Robots 等）的即插即用抓取手，虽然自由度有限（仅 3 个自由度），但兼具灵巧性与可靠性，是工业领域最成功的灵巧手产品之一。
- Agile Hand（加州大学圣地亚哥分校 + Amazon）：轻量级五指手，专为物流搬运设计。
- 特斯拉 Optimus 灵巧手（2024 展示）：特斯拉人形机器人 Optimus 配备的双手，采用腱驱动 + 压力传感器方案，展示了对鸡蛋等易碎物体的精细抓取。
三、主要结构形式
根据驱动方式与传动原理，灵巧手可分为以下几类结构形式：
3.1 腱驱动（Tendon-Driven）
腱驱动是目前最主流的灵巧手结构。电机（通常安装在手掌或前臂中）通过钢丝绳或高分子绳索（腱）拉动手指关节弯曲，复位靠弹簧或弹性材料实现。
优点：电机远离关节，手指可做得很轻、很紧凑；腱绳可以沿复杂路径布线，设计灵活。
缺点：腱绳存在摩擦与弹性伸长问题，控制精度受限；腱绳材料有疲劳寿命限制。
代表产品：Stanford/JPL Hand、Shadow Hand、特斯拉 Optimus Hand、LEAP Hand。
3.2 电机直驱 / 齿轮传动
微型电机安装在手指关节内部或附近，通过谐波减速器、行星齿轮或丝杠螺母机构驱动关节。
优点：传动刚度高、控制精度好、无腱绳磨损问题。
缺点：手指尺寸和重量较大，电机功率密度要求极高。
代表产品：DLR Hand II、Gifu Hand、Allegro Hand。
3.3 气动 / 液压驱动
利用流体压力驱动手指运动。气动人工肌肉（PAM）是一种常见形式——加压时肌肉收缩，产生拉力。
优点：柔顺性好、力量/重量比高、天然缓冲冲击。
缺点：需要气源/液压站，系统体积大、有噪声、控制响应较慢。
代表产品：Utah/MIT Hand、Shadow Hand（气动版）、Festo BionicSoftHand。
3.4 形状记忆合金（SMA）驱动
利用 SMA（如镍钛诺）在电流加热时恢复预训练形状的效应产生驱动力。
优点：无电机、无齿轮，可实现极小的手指尺寸。
缺点：响应速度慢（冷却控制难）、效率低、疲劳寿命有限。
代表产品：NASA 的微型灵巧手探索原型、部分微创手术机器人手。
3.5 软体驱动
完全使用柔性材料（硅橡胶等）制造手指，内部充气或液压实现弯曲运动。
优点：本质上安全、自适应抓取、无需复杂控制。
缺点：承载力有限、精确操控困难。
代表产品：Festo BionicSoftHand、哈佛大学 Soft Robotic Hand。
四、核心技术与关键模块
4.1 驱动器
灵巧手的"心脏"是驱动系统。对电机驱动方案而言，无刷直流电机（BLDC）因其高功率密度和长寿命正逐步取代有刷电机。高精度灵巧手常采用 Maxon 或 Faulhaber 的空心杯电机配合谐波减速器。近年的趋势是将电机与编码器集成在手指关节内部，形成模块化驱动单元。
4.2 传感系统
灵巧手的"感官"决定了它能做什么：
- 关节位置传感器：磁编码器（Hall 或 AMR 效应）或光学编码器，提供手指关节角度反馈。
- 力矩 / 力传感器：应变片式或压阻式，安装在腱绳末端或关节输出端，感知抓取力。
- 触觉阵列传感器（Tactile Sensor）：覆盖在手指表面的高密度压力传感阵列。主流技术包括压阻式（如 Tekscan）、电容式（如 Pressure Profile Systems）、光学式（如 GelSight / GelSlim，利用接触引起的光学变形重建接触几何）。
- 温度与滑觉传感器：部分高级灵巧手加入了温度和滑动检测传感器，辅助判断抓取稳定性。
值得注意的是，触觉传感被公认为灵巧手实现"类人操作"的关键瓶颈。近年 GelSight 类的高分辨率触觉传感器（分辨率可达几十微米）取得突破，使灵巧手能够感知物体纹理、滑动方向和接触力分布。
4.3 机构设计
灵巧手的机构设计需要在灵巧性（自由度数量）、力量、紧凑性和成本之间权衡。
- 手指连杆机构：大多数灵巧手采用 3 关节（近端、中间、远端指节）或简化 2 关节设计，通过联动机构减小驱动需求。
- 自适应欠驱动（Adaptive Underactuation）：使用弹簧或弹性元件使手指被动适应物体形状，用少于关节数的驱动器实现稳定抓取。这是从"抓取灵巧"走向"抓取可靠性"的关键设计范式。
- 对掌设计（Opposable Thumb）：拇指的对掌运动（Opposition）是实现人手级灵巧操作的灵魂。几乎所有高性能灵巧手都设计了拇指的掌骨关节，使其能够与其他手指形成对捏。
4.4 材料
早期的灵巧手多采用铝合金与工程塑料。近年趋势是：结构件使用碳纤维或高强度铝合金降低惯量，手指外皮使用软质弹性材料（硅橡胶、聚氨酯）以增加摩擦和柔顺性。3D 打印技术的成熟使定制化手指壳体设计成为可能，LEAP Hand 等作品更是将整手结构全盘 3D 打印。
五、控制方法与策略
灵巧手的控制是多层级、跨学科的难题，通常分为规划层、执行层和感知层。
5.1 抓取规划（Grasp Planning）
给定目标物体三维形状和灵巧手运动学模型，如何确定手指的接触位置和关节角度？经典方法包括：
- 基于力封闭（Force Closure）的抓取规划：确保手指力可以抵抗任意方向外力。
- 基于形封闭（Form Closure）的抓取规划：完全依靠几何约束锁定物体。
- 抓取质量度量：Ferrari-Canny 指数等指标用于评估抓取稳定度。
近年，基于数据驱动的方法占据主导：使用大型数据集（如 DexNet、GraspNet）训练神经网络，直接从点云或深度图像预测高质量抓取姿态。
5.2 低层控制
- 位置控制（PD/PID）：以关节角度为控制目标，适用于位置精确定位的操作任务。
- 力矩 / 力控制：以接触力为控制目标，对于精细操作（如拿鸡蛋）至关重要。
- 阻抗控制（Impedance Control）：同时调节手指的刚度和阻尼特性，实现柔顺交互，是灵巧手与人或环境交互的经典范式。
- 混合力/位控制（Hybrid Force/Position Control）：在约束方向用力控制、在自由方向用位置控制。
5.3 中层控制：抓取执行与手内操作
- 抓取执行：从空中接近目标到建立稳定接触的过程控制，涉及碰撞检测、力缓冲和抓取调整。
- 手内操作（In-Hand Manipulation）：在不释放物体的情况下改变其位姿（如翻转魔方）。这是灵巧手最具挑战性的能力之一，需要在多个手指之间协调施力路径。常用的控制框架包括 Grasp Manifold 方法和 手指步态（Finger Gaiting）。
5.4 高层控制：学习与智能
传统基于模型的方法在高自由度灵巧手上计算复杂度极高，且难以应对未建模的物理交互。深度强化学习（DRL）的引入带来了根本性突破：
- OpenAI Dactyl（2018）：使用域随机化（Domain Randomization）将仿真训练的强化学习策略直接迁移到真实 Shadow Hand 上，成功实现了魔方单手翻转，被视作灵巧手学习的里程碑。
- Adroit / D4RL：为灵巧手强化学习提供了标准化的仿真环境和数据集。
- 模仿学习（Imitation Learning）：通过人类操作数据（如动捕手套采集）训练神经网络策略，避免强化学习的探索成本。
- 视触觉融合：结合视觉（识别物体姿态）与触觉（感知接触状态），形成闭环控制决策。这是近年灵巧手智能化的核心方向。
六、代表性灵巧手对比
| 名称 | 年份 | 手指/自由度 | 驱动方式 | 主要特点 |
|---|---|---|---|---|
| Stanford/JPL Hand | 1982 | 3指 / 9 DoF | 腱驱动 | 奠基性设计，提出三指灵巧手范式 |
| Utah/MIT Hand | 1984 | 4指 / 16 DoF | 气动肌腱 | 首次仿人手解剖学设计 |
| DLR Hand II | 1999 | 4指 / 12 DoF | 电机直驱 + 谐波减速 | 高集成度、丰富传感 |
| Gifu Hand III | 2002 | 5指 / 20 DoF | 丝杠螺母驱动 | 五指全自由度、五指独立控制 |
| Robonaut Hand | 2001 | 5指 / 12 DoF | 电机 + 丝杠 | 太空任务用，具备工具操控能力 |
| Shadow Dexterous Hand | 2005 | 5指 / 24 DoF | 气动肌肉 / 电机 | 最高仿生度之一，学术界标准平台 |
| HIT/DLR Hand | 2006 | 5指 / 15 DoF | 电机 + 齿轮 | 中德合作，高传感密度 |
| Allegro Hand | 2015 | 4指 / 16 DoF | 电机直驱 | 低成本高可靠性，实验室标准平台 |
| Robotiq 3-Finger | 2010 | 3指 / 3 DoF | 电机 + 齿轮 | 工业应用最成功的灵巧手之一 |
| OpenAI Dactyl | 2018 | Shadow Hand | 气动肌肉 | 强化学习翻转魔方里程碑 |
| LEAP Hand | 2023 | 4指 / 16 DoF | 腱驱动 + 舵机 | 开源低成本，< $300 材料成本 |
| Festo BionicSoftHand | 2019 | 5指（软体） | 气动波纹管 | 完全软体、本质安全 |
| 特斯拉 Optimus 灵巧手 | 2024 | 5指（演示） | 腱驱动 | 精细抓取展示，压力传感 |
七、应用场景
- 工业制造：在装配线上处理多品种、小批量的异形零件，灵巧手比专用夹爪更具灵活性。Robotiq 三指手在协作机器人上已有成熟部署。
- 医疗与手术：灵巧手可作为手术机器人（如达芬奇系统）的末端器械，也可以用于假肢——为截肢患者提供接近人手功能的仿生义手。
- 太空探索：NASA 的 Robonaut 手已经证明灵巧手可在太空环境中操作工具；未来月球/火星基地建设更需要通用灵巧操作能力。
- 家庭服务：人形机器人（如 Tesla Optimus、Figure 02）的最终目标是进入家庭环境——开门、取物、做饭——这些都需要灵巧手。
- 危险环境作业：核设施维护、化工厂检修、排爆等场景，遥操作灵巧手可以替代人类进入高危区域。
- 科研平台：Allegro Hand、Shadow Hand 已成为全球高校机器人实验室的标准研究平台，支撑着灵巧操作的前沿研究。
八、挑战与未来趋势
8.1 当前主要挑战
- 成本与可靠性：Shadow Hand 售价达 15 万美元，即使是 Allegro Hand 也要 2 万美元，限制了灵巧手的普及。
- 触觉感知的集成：高分辨率触觉阵列的成本和布线复杂度尚未满足量产要求。
- 鲁棒控制：灵巧手在未建模环境中的抓取成功率远不及人手。一项 2023 年的基准测试显示，最先进的灵巧手在杂乱场景中抓取成功率仅约 70-85%。
- 功率密度：灵巧手需要在小空间内集成驱动、传感和计算，功率密度仍是物理瓶颈。
8.2 未来趋势
- 大规模量产与低成本化：LEAP Hand 的开源设计、3D 打印制造、通用伺服舵机的采用，预示着低成本灵巧手将加速普及。
- 软硬融合的智能控制：端到端学习的控制方法（从视觉到手指动作直接映射）将与传统控制方法融合，形成分层智能架构。
- 触觉 + 视觉深度融合：以 GelSight 为代表的光学触觉传感器将在灵巧手中普及，结合视觉形成闭环感知。
- 人机协作伦理与安全：随着灵巧手变得更强大，与人类共处的安全性将成为关键设计考量。
- 远程操作与遥操作：5G/6G 低延迟通信 + 力反馈外骨骼手套的组合，将实现真正的"人机远程灵巧操作"。
- 灵巧操作大模型：借鉴大语言模型（LLM）思路，构建通用灵巧操作基础模型（Foundation Model for Manipulation），让灵巧手像 GPT 理解语言一样"理解"操作任务。
九、结语
从 1974 年 ETL 手那笨拙的第一个抓取动作，到 2018 年 Dactyl 魔方在指尖灵活转动，再到 2024 年 Optimus 温柔地取起一枚鸡蛋——机器人多指灵巧手走过的五十余年，是一部人类不断挑战物理极限与控制边界的技术史诗。
灵巧手不仅是一个机械装置，它是机器人从"工业工具"走向"通用智能体"的必经之路。当一个机器人拥有了灵巧的双手，它才能真正走出工厂围栏，走进我们的厨房、病房和家园。
这条路仍很长。但每一次抓取成功——无论多么微小——都让我们离那个未来更近一步。
参考文献
- Salisbury, J. K., & Roth, B. (1983). Kinematic and force analysis of articulated mechanical hands. Journal of Mechanisms, Transmissions, and Automation in Design, 105(1), 35-41.
- Jacobsen, S. C., et al. (1984). The Utah/MIT dextrous hand: Work in progress. The International Journal of Robotics Research, 3(4), 21-50.
- Butterfass, J., et al. (2001). DLR-Hand II: Next generation of a dextrous robot hand. Proceedings of the IEEE ICRA, 109-114.
- Kawasaki, H., et al. (2002). Dexterous anthropomorphic robot hand with distributed tactile sensor: Gifu hand II. IEEE/ASME Transactions on Mechatronics, 7(3), 296-303.
- Lovchik, C. S., & Diftler, M. A. (1999). The Robonaut hand: A dexterous robot hand for space. Proceedings of the IEEE ICRA, 907-912.
- Shadow Robot Company. (2005). Shadow Dexterous Hand Technical Specification.
- OpenAI, et al. (2018). Learning Dexterous In-Hand Manipulation. arXiv:1808.00177.
- Shaw, K., et al. (2023). LEAP Hand: Low-Cost, Efficient, and Anthropomorphic Hand. arXiv:2309.06440.
- Cutkosky, M. R. (1989). On grasp choice, grasp models, and the design of hands for manufacturing tasks. IEEE Transactions on Robotics and Automation, 5(3), 269-279.
- Li, S., et al. (2014). A soft robostic hand capable of grasping and dexterous manipulation. Soft Robotics, 1(4), 247-256.
- Lepora, N. F., et al. (2020). From skin to contact: GelSight tactile sensing for robotic manipulation. Annual Review of Control, Robotics, and Autonomous Systems, 3, 331-356.
- DexNet: Mahler, J., et al. (2017). Dex-Net 1.0: A cloud-based network of 3D objects for robust grasp planning. IJRR, 36(11), 1165-1182.