IEEE Transactions on Robotics

Design and Implementation of an Anthropomorphic Robotic Hand With Key Kinematic Properties of the Human Hand

作者：Dai Chu, Jiaji Ma, Siyuan Chen, Jiarui Zhang, Zhiyi Huang, Jinhao Yang, Chang He, Wenbin Chen, Baiyang Sun, Caihua Xiong · 机构：Institute of Medical Equipment Science and Engineering, School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China

会议/期刊：IEEE Transactions on Robotics · 发布日期：2026 · 页码：1254-1274

抓取系统设计

精读笔记

Problem Setting

【Design and Implementation of an Anthropomorphic Robotic Hand With Key Kinematic Properties of the Human Hand】（IEEE Transactions on Robotics / 2026）

这篇论文不是在问“能否做一个 12 actuator 的仿人手”，而是在问：如果必须减少执行器，哪些人手关节应该被机械耦合，哪些必须保留独立性？这其实是欠驱动仿人手设计中最核心但长期偏经验的问题。

真正困难点在于，仿人手的功能不是由自由度数量单调决定的。完全驱动手有高自由度，但控制复杂、体积/重量/成本高；极端欠驱动手执行器少，但会把手压缩到少数预设 grasp manifold，丢掉细粒度 manipulation。关键矛盾是 actuator reduction 与 functional coverage 之间的结构性冲突。

传统 PCA/global synergy 路线的问题是，它把所有关节放在同一个全局低维空间里，低阶主成分适合解释整体方差，却不保证保留功能关键但方差较小的独立关节运动。机械上更麻烦：一个全局 synergy 往往涉及几乎所有关节，如果要复现多个 GCKS，就意味着多个执行器要同时耦合同一个关节，传动结构很快变得庞大且不可扩展。另一类经验式欠驱动设计虽然会单独给拇指/食指配置 actuator，但缺少从数据到耦合拓扑的原则性推导。

Motivation

作者的核心动机是：人手运动的低维结构并不是“所有关节共享少数全局基”，而更像“若干局部模块 + 若干独立关键关节”的稀疏组合。这个观察很重要，因为它直接对应机械设计：局部强相关关节可以被同一 actuator 和 tendon-spring 机制耦合；高独立关节则不应该被硬塞进全局 synergy。

已有路线缺的是一个 bridge：从人手运动数据中识别“可耦合/不可耦合”的关节集合，并把这种统计结构转成可制造的机械结构。GCKS 给的是低维控制坐标，不给机械拓扑；经验式设计给的是机械拓扑，但缺少数据依据。本文试图补的正是这个缺口。

另一个动机是 palm 被低估。很多仿人手把 palm 当刚体，但人手 ring/little CMC 的可动性对包络、工具适配和掌内重构很重要。作者把 palm joints 纳入 synergy 分析，这使得设计不再只是 finger-only underactuation。

Core Idea

论文真正核心的思想是把 kinematic synergy 从“全局表示”改成“稀疏、局部、可机械实现的结构先验”。它先用关节运动相关性把 22 关节拆成若干组：高度独立的关节单独成组，高相关关节进入局部组；然后只在组内做 PCA，得到 sparse kinematic synergy。这样得到的 synergy 每个只作用于少数关节，而不是所有关节。

这个建模改变非常关键：它把降维的目标从最大化整体方差解释，转为保留功能性独立关节并压缩真正冗余的局部相关运动。直觉上，这比全局 PCA 更适合机械手，因为机械结构天然是局部连接的，tendon/pulley/spring 更容易实现局部比例约束，而不是实现多个 dense basis 的线性叠加。

本质区别在于 inductive bias：prior global synergy 假设人手运动可由少数 dense latent dimensions 表示；本文假设人手运动由 sparse modules 组成，模块内部低维，模块之间部分独立。这个 bias 更贴近解剖结构、传动结构和欠驱动机械实现，因此更 scalable。

Method

1. 相关性分组：解决“哪些关节应该放在一起降维”的问题。作者用 Pearson correlation 和层次聚类识别强相关关节，并把低相关关节视为应保留独立性的候选。这一步的核心作用不是提高 PCA 数学性能，而是防止全局降维牺牲关键独立 DOF。

2. 局部 PCA / JGKSE：解决“每个局部组需要几个运动基”的问题。对于同指且轴线平行的 IP 关节，先作为 intrafinger coupling unit；对于跨指或非平行轴关节，用 first PC 判断是否可被一个局部 synergy 描述。若 first PC 重构不够好，则提高相关性阈值重新分组。这相当于在 functional completeness 和 actuator count 之间做结构搜索。

3. ORQ + IRQ 双指标：解决全局重构质量掩盖单关节失败的问题。ORQ 保证整体运动方差解释，IRQ 保证关键关节不被平均掉。这个设计很实际，因为 global PCA 最容易出现“整体 R² 很高但某些功能关节很差”的问题。

4. 机械嵌入 synergy：解决“低维表示如何变成硬件”的问题。作者把局部 synergy 的比例关系映射到 pulley 半径比、tendon 路径、弹簧刚度和差动连杆参数。第一主方向对应自由运动下的主动协同，第二方向对应受阻时的顺应偏离。核心变化是：控制器不需要实时合成复杂 joint coordination，机械结构自身就把 coordination 写进了传动约束。

5. SX-Hand 集成：12 actuator / 21 joint 的手不是单纯堆机构，而是按 SKS 分配 actuator：高度独立关节直接驱动，高相关关节通过 intra/inter-finger coupling-compliance 共享驱动。MM Ab/Ad 被省略、RM/LM Ab/Ad 被重新耦合，说明最终设计仍有工程取舍，并非完全由算法自动决定。

Key Insight / Why It Works

这篇论文最有价值的 insight 是：对仿人欠驱动手而言，“低维”必须是机械可实现的低维。Dense global synergy 在数学上优雅，但机械上很差；sparse local synergy 可能牺牲一点全局最优方差解释，却显著提高可制造性、可调试性和 actuator allocation 的可解释性。

方法有效的主要原因不是 PCA 本身，而是先验选择对了：人手很多功能确实具有局部模块性。同一手指 DIP/PIP 的耦合、ring-little 的协同、部分 MCP/CMC 的相关性都可以通过 tendon/pulley 自然实现；而拇指、食指 MCP、部分掌部自由度确实应保留独立。JGKSE 的贡献在于把这个领域常识数据化，并给出从数据到结构参数的路径。

最可能的核心贡献是“joint grouping before synergy extraction + sparse mechanical embodiment”。这比单纯提出一个新硬件更重要。因为如果没有分组，全局 PCA 得到的 synergy 很难扩展；如果没有机械嵌入，SKS 也只是一个运动分析结果。

哪些可能只是辅助：ORQ/IRQ 是合理但不新颖的评估封装；Kapandji、GRASP 全覆盖等更像展示 functional breadth，而不是严格证明设计原则最优；20 kg payload 和 50 N grasp force 很可能更多来自 motor/gear/tendon/结构强度 scaling，而不是 synergy 方法本身。文中没有充分做消融来拆分“JGKSE 拓扑”与“更多 actuator、更强机械、更大结构、更可动 CMC”的贡献。

这不是 learning/scaling 论文，而是 better inductive bias + latent structure + mechanical memory reuse。所谓 memory reuse 是指把人手运动统计规律固化到机构中，减少在线控制负担。它并没有展示强 test-time reasoning 或复杂 closed-loop manipulation；手内操作更像由人工预设/遥控轨迹在合适硬件上实现，不能推断出自主 manipulation 能力。

Relation To Prior Work

最接近的路线有三类：第一是 Santello/SoftHand 一类 global kinematic synergy 设计；第二是 X-Hand、KIT Hand、SmartHand、HIT-VI 这类经验式欠驱动 actuator allocation；第三是 tendon-spring/linkage underactuated mechanism 设计。

相对 global synergy，本文的本质差异是从 dense basis 转向 sparse basis。它不再追求用少数全局主成分解释所有关节，而是承认某些关节必须独立，只有局部相关结构才应被压缩。这解决了 global synergy 最大的机械不可扩展问题。

相对经验式欠驱动手，本文新增的是数据驱动的耦合拓扑选择。过去很多设计也会让拇指独立、ring/little 耦合，但这些通常来自直觉或工程经验；本文用相关性、局部 PCA 和 IRQ/ORQ 给出可复现的设计依据。这是实质创新。

相对传统 underactuated mechanisms，本文不是提出全新机械元件，而是给这些元件一个 principled parameterization：pulley 半径比对应 synergy 向量，spring stiffness 在“自由运动保持协同”和“受阻时允许顺应”之间折中。这里的新意主要在映射原则，而不是 tendon-spring 机制本身。

因此它属于“biomechanics-inspired structural prior for underactuated robotic hands”的技术谱系，更偏设计理论/系统实现，而不是控制算法或学习方法。

Dataset / Evaluation

数据侧使用 HUST、Palm 和 KIN-MUS UJI 等公开人手运动数据，覆盖 grasp、gesture 和 manipulation，任务多样性相对充分。比较合理的一点是作者没有只在用于提取 SKS 的数据上报告重构，还用另一个公开数据集验证，这至少说明 SKS 不是完全 dataset-specific 的拟合。

但需要注意，重构评估仍是 kinematic reconstruction，不是 task success reconstruction。IRQ/ORQ 高说明关节角轨迹可近似，不等于接触力、稳定抓取、动态 manipulation 也能保持。尤其手内操作依赖触觉、摩擦、接触状态和控制策略，这些不是 PCA 重构能验证的。

真机评估覆盖面很广：Kapandji、fingertip workspace、CMC contribution、force/payload、GRASP taxonomy、multi-object grasp、若干手内操作。它支持“硬件功能面广、比 X-Hand 灵活”的 claim。但对“设计原则优于其他 coupling topology”的验证不够强，因为缺少系统消融：例如相同 actuator 数下随机/经验耦合、无 movable CMC、无 compliance、global synergy 机械版本等对照。

GRASP 全 33 类和手内操作展示更像 capability demonstration，而不是统计意义上的 benchmark。文中未充分说明动作生成方式、失败率、重复性、对物体尺寸/材质变化的鲁棒性，也没有自主闭环控制评估。因此 evaluation 对硬件设计 claim 支持较强，对泛化 manipulation claim 支持有限。

Limitation

第一，JGKSE 依赖线性相关和 Pearson 阈值。人手关节关系可能是任务条件化、非线性、接触状态依赖的。用固定 correlation threshold 得到的 coupling topology 可能适合当前数据分布，但不保证对更复杂工具使用或动态操作最优。阈值提高/重分组的过程也带有人为设计成分。

第二，SKS 的维度并不极低：22 个关节提取 19 个 SKS，最后硬件仍用 12 个 actuator。它不是极限压缩，而是选择性耦合。实际性能提升可能来自“保留了足够多独立 actuator”，而不是 synergy 压缩非常强。换句话说，本文更像合理 actuator allocation，而不是发现了一个很低维的人手控制空间。

第三，机械耦合把控制问题转移为结构设计问题。它减少了控制维度，但也固化了运动 manifold。一旦任务需要偏离这些局部 synergy，机器人只能依靠 compliance 被动适应，主动重构能力有限。机械 synergy 的优点也是上限。

第四，compliance 的建模主要是准静态和几何层面的，忽略摩擦、 tendon elasticity、backlash、磨损、动态冲击等实际因素。长期稳定性、标定漂移、维护复杂度文中未充分说明。

第五，实验中的 in-hand manipulation 不能证明自主 dexterous manipulation。缺少 tactile sensing、闭环控制和状态估计时，这些展示更可能是硬件可达性 + 人工控制轨迹的结果。所谓 dexterity 主要是 kinematic/mechanical dexterity，而不是 autonomous manipulation intelligence。

第六，增益归因不清。SX-Hand 相比 X-Hand 的提升同时来自更多 actuator、可动 CMC、不同尺寸/电机/传动、局部 coupling、compliance 等多因素。没有充分消融，因此很难定量判断 JGKSE 本身贡献了多少。

Takeaway

  • 1. 对欠驱动仿人手，最值得迁移的不是具体 pulley 公式，而是“先识别独立关节，再压缩局部相关关节”的设计范式。
  • 不要直接对全手做 PCA 后期待机械能优雅实现。
  • 2. Sparse/local synergy 是比 global synergy 更适合硬件 embodiment 的表示。
  • 机械结构天然偏局部，设计表示也应该尊重这个约束。

一句话总结

这篇论文把人手 synergy 从 dense global control basis 重新组织为 sparse local mechanical modules，为欠驱动仿人手提供了一套比经验耦合更原则化、比全局 PCA 更可制造的 actuator allocation 与机构设计路线。