【IJAC推文】国家重点实验室乔红团队：CRIE框架下机器人的灵活抓取策略
人抓取某一样东西，一靠脑来操纵，二靠手来执行。同样地，机器人成功抓取也应同时配备“硬件”和“软件”。所谓“硬件”，就是指机器手，而“软件”，即有效的抓取策略。
6月，IJAC在线发表了一篇来自中国科学院自动化研究所复杂系统管理与控制国家重点实验室乔红教授团队关于机器手灵活抓取策略的研究论文。文章提出“环境约束区”(constrained region in environment)这一概念，并在此基础上，制定出在配备低精度传感器的条件下，机器手高效完成抓取任务的策略。本研究主要有三大亮点：
全文链接(OA)：
https://link.springer.com/article/10.1007/s11633-017-1096-5
亮点一
硬件---欠驱动多指机器手(underactuated multi-finger robot hands)
为了实现机器抓取，科学家们设计出各式各样的夹子。然而，传统的夹子在一般环境中完成特定抓取任务时就会显得十分笨拙。可喜的是，随着力学、仿生学及控制学的发展，多指机器手或机器灵巧手脱颖而出，操作灵活度和任务执行效率正日益接近人手，为最终实现机器灵活抓取带来更大可能。
机器灵巧手的一个显著特征就是配备了多重传感器，包括视觉传感器，力觉传感器/扭矩传感器或触觉传感器等。值得一提的是，其中的欠驱动多指机器手(underactuated multi-finger robot hands)优势明显，不仅结构更简单、重量更轻，适应能力也更强，如非常著名的BarrettHand和iCub。
虽然与普通机器夹子相比，一些设计复杂的仿人机器手灵活度更高、功能性更强，但随着手指和关节的增加，与之相匹配的抓取策略及控制方法也会变得非常复杂。因此，现在急需研究出更好的机器灵巧手抓取策略。这也就是接下来重点讨论的“软件”问题。
亮点二
软件---仿生学概念
1. 环境吸引区(Attractive region in environment)
现在的机器大多被安置在固定的地方，重复地完成各种机械任务。一旦它们进入一些开放的环境，比如乱糟糟的房间，机器就会变得束手无策。现实世界有太多不确定性，这就给制定详细的移动策略带来很大挑战。为应对不确定性，一些技术中会采用高精度传感器，保证抓取过程中能够把反馈信息中的测量错误率降到最低。但这又带来了另一个不容忽视的问题，传感器能保证的最高精度仍然无法达到完成任务时所要求的最高精度，线上抓取策略(online grasping strategies)无法适应快速移动的机器手。此外，很多机器手的传感器，如普通视觉或触觉传感器，不仅精度低，而且容易出现数据漂移，会受到噪声干扰。在一些有高精度要求的操作中，由于传感器精度低，还会影响信息的可靠性。另一方面，有时在执行某些特定抓取任务时，并无法直接、甚至无法从传感器中得到所需信息。
现有一类研究致力于无传感器抓取方法，即通过抓取对象和互动环境，利用环境约束(environment constraints)来完成操作，这其中就包括了高效的环境吸引区(attractive region in environment)概念，这一方法可以保证操作所需精度，同时降低不确定性，目前已经应用于定位、装配自动化及抓取操作中。
环境吸引区(attractive region in environment，以下简称ARIE)的核心在于：在传感信息有限的情况下，通过环境约束(environment constraints)应对不确定性。完成抓取任务时，ARIE可以保证在不持续更新原始机器手的情况下保证抓取过程的稳定性。
2. 环境约束区(constrained region in environment)
欠驱动机制(underactuated mechanisms)对不同形状的物体具有很强的适应能力，因此，欠驱动灵巧手可以准确完成一些抓取任务，但由于机器手结构复杂、传感器精度有限，其对应的抓取策略也会显得十分复杂，特别是与全驱动多指灵巧手(fully-actuated multi-fingered dexterous hands)相比。
另一方面，高维手姿(hand pose)和手指结构(finger joints configurations)难以描述，位形空间的传统移动策略此时便容易失灵。此外，受动力学和运动学的约束，手指和物体间的互动会有所限制。如何在只能获得简单粗略传感信息的情况下处理抓取过程中遇到的不确定情况，仍是待解难题。因此，在制定抓取策略前，应首先将环境约束条件考虑在内，再选择抓取点或抓取区域。
本文基于仿生学中的环境约束区(constrained region in environment)概念，主要研究欠驱动灵巧手的抓取策略问题。更准确地说，通过观察人手的抓取过程，再综合环境约束条件(environment constraints)和多低精度传感信息(multiple coarse sensory information)，最后建立环境约束区框架。环境约束区概念可以看成是对环境吸引区概念的一般化，它能在传感反馈和无传感机器操作策略间搭建桥梁。
如上文所述，在ARIE框架中，基于线下计算，抓取时手指的操作可更加灵活。然而，该方法要求获取物体的全部信息，这在真实操作中极难实现。因此，通过将低精度传感信息与线上调整结合，可以对上述框架进行优化。
CRIE框架有两个关键因素：一是基于ARIE的线下抓取策略，二是基于传感信息反馈的线上调整。与纯线上抓取方法相比，本研究提出的方法集线下策略和线上策略的优点于一身，可有效减少计算量、降低线上抓取策略的复杂性。
简言之，首先，基于环境约束区中的子空间(subspace)，制定最初的抓取策略，而后，通过得到的粗略传感信息，机器手可进入上述子空间，由此，在配备低精度传感器的条件下，机器手也可以准确完成抓取。本方法在物体不确定的条件下具有较强的鲁棒性，同时抓取操作也更灵活高效。
亮点三
抓取策略---线上+线下
1）线下结构设计(Offline configuration design)
线下阶段，第一步就是收集物体的CAD信息以及大致的地理环境信息。基于ARIE框架，就可得到具体的抓取任务和机器手抓取姿势。
2）视觉信息引导(Visual information guidance)
在这一阶段，机器手基于视觉信息，沿着指定轨道移动至物体前。视觉反馈信息会将物体位置中包含的不确定信息也包括在内，特定手指便能以抓取预备姿势接触物体。完成这一步操作后，机器手会根据触觉信息再进行下一步操作。
3）抓取接触调整(Grasping contact adjustment)
现实中的不确定性要求不断调整抓取过程。应对物体不确定性的一个重要方法就是加入触觉探索(tactile exploration)。而关于物体的触觉信息通常较为粗略，因此需要采用低维感官表征(lower dimensional sensory representation)，感官噪声也可消除。当获得触觉信息，即可对线下抓取策略做出相应调整。
4）抓取合成和执行(Grasping synthesis and execution)
当手指能以生成的抓取的姿势接触物体时，抓取操作就得以完成，最终机器手对物体也不会再做其他操作。
图片来自文章
Barretthand是采用欠驱动运动结构(underactuated kinematic structure)的三指机器人，它能适应不同的物体形态，在完成抓取任务时具有很好的稳定性和灵活性。本文最后借助Barretthand实验证实了所提抓取策略的科学性和可行性。
图片来自文章(Barretthand结构图)
图片来自文章
1）机器手的灵活性高度依赖于硬件设计。虽然简单的夹子就可以完成特定任务，但要在开放环境中完成一般任务却是困难重重。因此，如何设计出类人机器手仍是一大难题。此外，机器手的复杂性也使相应的操作策略变得复杂。虽然当前机器人灵巧手操作研究取得了一定进展，但想要达到如人手般自由操作的境界仍需努力。
2）要想机器人灵巧手在不确定环境中保持稳定性，就应制定更为智能的操作策略，感知、策划及控制三方面尤为重要。此外，在面对未知物体时，机器人还需有学习能力。虽然当前已经开发出有效的学习算法，但与人类智能相比仍存在较大差距。随着神经科学、脑科学及相关交叉科学的发展，机器人相关的理论及实践研究必将硕果累累。
全文信息
【State Key Laboratory, CASIA】
Flexible robotic grasping strategy with constrained region in environment
【Abstract】
Grasping is a significant yet challenging task for the robots. In this paper, the grasping problem for a class of dexterous robotic hands is investigated based on the novel concept of constrained region in environment, which is inspired by the grasping operations of the human beings. More precisely, constrained region in environment is formed by the environment, which integrates a bio-inspired co-sensing framework. By utilizing the concept of constrained region in environment, the grasping by robots can be effectively accomplished with relatively low-precision sensors. For the grasping of dexterous robotic hands, the attractive region in environment is first established by model primitives in the configuration space to generate offline grasping planning. Then, online dynamic adjustment is implemented by integrating the visual sensory and force sensory information, such that the uncertainty can be further eliminated and certain compliance can be obtained. In the end, an experimental example of BarrettHand is provided to show the effectiveness of our proposed grasping strategy based on constrained region in environment.
【Keywords】
Grasping strategy, compliant grasping, dexterous robotic hands, attractive region in environment, constrained region in environment.
【Authors】
Chao Ma: School of Automation and Electrical Engineering University of Science and Technology Beijing, Beijing, China & State Key Laboratory of Management and Control for Complex Systems Institute of Automation, Chinese Academy of Sciences, Beijing, China
Hong Qiao: State Key Laboratory of Management and Control for Complex Systems Institute of Automation, Chinese Academy of Sciences, Beijing, China
Rui Li: State Key Laboratory of Management and Control for Complex Systems Institute of Automation, Chinese Academy of Sciences, Beijing, China
Xiao-Qing Li: School of Automation and Electrical Engineering University of Science and Technology Beijing, Beijing, China
【Full Text---Open Access】
https://link.springer.com/article/10.1007/s11633-017-1096-5
1) IJAC官方网站：
http://link.springer.com/journal/11633
2) Linkedin: Int. J. of Automation and Computing
3) 新浪微博: IJAC-国际自动化与计算杂志
4) Twitter: IJAC_Journal
5) Facebook: ijac journal
关于杂志或文章，您有任何意见或建议，欢迎后台留言或私信小编
本文编辑：欧梨成
点击“阅读原文"，查看全文链接