Roboter-End-Effektoren und Greifer: Vollständiger Vergleichsleitfaden für Forschungsabschlüsse (2026)
Vergleichen Sie die Roboter-End-Effektoren für die Manipulationsforschung: Parallelgriffer, geschickte Hände, taktile Sensoren. Spezifikationen, Preise und Kompatibilität mit OpenArm, ViperX und Mobile ALOHA-Systemen.
[← Führer]
Ein umfassender Vergleich von Roboter-Endefektoren für Manipulationsforschung
Typen von Robotern
Ein 50 000 Dollar-Roboterarm mit dem falschen Griff ist für Ihre Aufgabe nutzlos, während ein 4500 Dollar-Arm mit dem richtigen Endeffektor sehr produktiv sein kann.
Parallele Schraubengriffer (2-Finger)
Das Arbeitspferd der Industrie- und Forschungsroboter. Zwei starre Finger bewegen sich parallel, um Objekte durch Anwendung von Kraft von gegensätzlichen Seiten zu greifen. Einfach, zuverlässig und gut geeignet für Objekte mit flachen oder zylindrischen Oberflächen.
Wie sie funktionieren: Ein einzelner Aktoren (Elektrmotor oder pneumatischer Zylinder) treibt beide Finger symmetrisch an. Der einzige Grad an Freiheit (offen/schließen) macht die Steuerung trivial
** Stärken**: Hohe Zuverlässigkeit, schnelle Zykluszeiten (0,5
Beschränkungen: Nicht mit Gegenständen zu arbeiten, die eine Finger-Reposition (Handmanipulation) erfordern.
Beste für: Pick-and-place, bin-picking, montage von starren komponenten, paletisierung.
Mehrere Finger-Dexterose Hände
Roboterhanden mit 3
Wie sie funktionieren: Jeder Finger hat 2
** Stärken**: Menschliche Geschicklichkeit, kann verschiedene Objektgeometrien handhaben, ermöglicht Handmanipulation, die für Aufgaben wie Werkzeugnutzung, Montage und Objektreorientierung unerlässlich ist.
Beschränkungen: Komplexe Steuerungen (hochdimensionaler Aktionsraum), teuer, mechanisch zerbrechlich im Vergleich zu einfachen Griffgeräten, erfordern mehr Schulungsdaten für gelernte Richtlinien.
Beste für: Dexterus-Manipulation-Forschung, Teleoperationsstudien, Hand-Reorientierung, Aufgaben, die Handfähigkeiten auf menschlicher Ebene erfordern.
Weich und geeignet
Greifer aus elastomeren Materialien (Silicon, Gummi) die sich um Gegenstände verformen, anstatt starre Kraft anzuwenden.
Wie sie funktionieren: Die Pneumatikwirkung aufbläht weiche Kammern, wodurch sich die Grifffinger nach innen schrumpfen und der Form des Objekts entsprechen.
** Stärken**: Eigentlich sicher für empfindliche Gegenstände, entspricht unregelmäßigen Formen ohne individuelles Fingerausbau, ist natürlich im Kontakt kompatibel, eignet sich gut für den Umgang mit Lebensmitteln und biologische Proben.
Beschränkungen: geringere Griffkraft als starre Griffgriffe, langsamere Aktivierung (pneumatische Reaktionszeit), weniger präzise Positionierung, begrenzte Nutzlastkapazität, Verschleiß bei weichen Materialien.
Beste für: Lebensmittelverarbeitung, landwirtschaftliche Ernte, medizinische/chirurgische Anwendungen, Manipulationen an zerbrechlichen Objekten.
Tactile und Sensor-Greifer
Greifer oder Handschuhe mit taktilen Sensoren, die Kontaktkräfte, Druckverteilung und manchmal Textur messen.
Wie sie funktionieren: Tactile Sensoren (resistive, kapazitive, optische oder barometrische) sind in den Fingerspitzen oder der Handfläche des Griffers eingebettet. Während der Greifung und Manipulation berichten sie über Kraftvektoren, Kontaktbereich und Schlüpfeindektion. Diese Daten werden in die Steuerungsschleimung des Roboters für reaktives Greifen oder in Trainingsdatenmengen für lernbasierte Ansätze gespeichert.
** Stärken**: Macht eine gewaltsame Manipulation möglich, erkennt die Stabilität der Greifung und den anfänglichen Schlüpfen, liefert reichhaltige Schulungsdaten für gelernte Strategien, die für den Umgang mit zerbrechlichen oder verformbaren Objekten unerlässlich sind.
Beschränkungen: Die Datenleitung wird komplexer, die Sensorik kalibriert werden muss, die Kosten erhöht werden, einige Sensortipen verschlechtern sich im Laufe der Zeit.
Beste für: Teleoperationsdatenerhebung, kraftempfindliche Aufgaben, verformbare Objektsmanipulation, Forschung in der taktilen Wahrnehmung.
Vakuum- und Magnetenendwirkung
Nichtkontakt- oder einfachkontaktgreifer, die mit Saug- oder Magnetkraft Objekte auswählen.
** Vakuum (Suchschalen) **: Erstellen Sie eine Dichtung auf flachen oder leicht gekrümmten Oberflächen und halten Sie durch negativen Druck. Extrem schnell (Pick in 0.1
Magnetische: Verwenden Sie dauerhafte Magnete oder Elektromagneten, um Eisenmetallobjekte zu greifen. Null-Ausfall-Griff auf kompatible Materialien, sofortige Auswahl/Einrichtung, aber nur auf ferromagnetische Objekte beschränkt.
Beste für: Lagerbestellungen, Plattenbehandlung, Boxpaletisierung, PCB-Pick-and-Place.
Endwirkung Vergleichstabelle
Die folgende Tabelle vergleicht die führenden Endeffektors, die in den Forschungslabors für Robotik im Jahr 2026 verwendet werden.
| End Effector | Type | DOF | Price | Nutzlast / Stroke | Best For |
|---|---|---|---|---|---|
| Orca Hand | Dexterous hand | 17 | ~$2,000 | ~0.5 kg per finger | Bimanual manipulation research, dexterous policy training |
| Paxini Gen3 Glove | Tactile sensor glove | — | Contact RCSV | — | Teleoperation data collection for dexterous manipulation |
| Robotiq 2F-85 | Parallel jaw | 1 | ~$4,500 | 85 mm stroke, 235 N | Industrial pick-and-place, bin picking |
| Robotiq 2F-140 | Parallel jaw | 1 | ~$5,500 | 140 mm stroke, 125 N | Large object handling, wider grasp range |
| LEAP Hand | Dexterous hand | 16 | ~$2,000 | — | In-hand manipulation, RL-based dexterity research |
| Allegro Hand | Dexterous hand | 16 | ~$4,500 | — | Academic research, torque-controlled manipulation |
| Shadow Geschickte Hand | Dexterous hand | 22 | $150,000+ | — | High-fidelity teleoperation, human hand replication |
| Barrett Hand (BH8-282) | Dexterous hand | 8 | ~$60,000 | 6 kg | Medical robotics, heavy-payload dexterous grasping |
| OnRobot RG2 | Parallel jaw | 1 | ~$3,000 | 110 mm stroke, 40 N | Collaborative robotics, lightweight parts handling |
| Festo DHEF Adaptive | Soft gripper | 3 | ~$1,500 | ~0.3 kg | Delicate object handling, food industry |
Wie man wählt: Endfaktor-Auswahl-Entscheidungsbaum
Die Auswahl des richtigen Endeffektors erfordert, dass die Anforderungen an die Aufgaben mit den Fähigkeiten des Griffers übereinstimmen.
Schritt 1: Definieren Sie Ihr Objekt
- Stärke Gegenstände mit flachen Oberflächen (Kisten, Zylinder, Platten) → Parallelsäulgriff oder Vakuum
- Verschießbare Formen, die eine Fingerreposition erfordern (Werkzeuge, unregelmäßige Teile) → Dexter Hand
- Sehnige oder verformbare Gegenstände (Lebensmittel, Stoffe, biologische Proben) → Weicher Griff oder tactylsensorierter Griff
- Flach, nicht poröse Oberflächen (Blattmetall, Glas, Karton) → Vakuumsaugen
- Eisenmetallteile → Magnetische Endwirkung
Schritt 2: Überlegen Sie Ihre Steuerungsstrategie
- **Klassische Bewegungsplanung (MoveIt, Flugbahnoptimierung) **: Parallele Kiefergriffer sind am einfachsten zu integrieren.
- **Ausnahmungslernen (ACT, Diffusionspolitik) **: Parallele Kiefergriffer mit 1 DOF erfordern eine minimale Ausweitung des Handlungsraums.
- Verstärkung des Lernens: Dextre Hand ist bevorzugt
RL ist hervorragend im Lernen von hohen DOF-Steuerungen durch Simulation (IsaacGym, MuJoCo). - Teleoperation: Passt den Endeffektor an das Eingabegerät. Parallele Kiefergriffer werden mit Abzug-/Knopf-Eingabe gekoppelt.
Schritt 3: Haushalt und Zeitplan
- Unter 3.000 Dollar: Orca Hand (~ 2.000 Dollar), LEAP Hand (~ 2.000 Dollar), OnRobot RG2 (~ 3.000 Dollar), Festo Weicher Greifer (~ 1.500 Dollar)
- ** $3.000
$10.000**: Robotiq 2F-85 (~ $4.500), Allegro Hand (~ $4.500), Robotiq 2F-140 (~ $5.500) - ** $ 10.000 ~ $ 100.000 **: Barrett Hand (~ $ 60.000), benutzerdefinierte taktile Hände
- ** $ 100.000+**: Schatten-Dexterose Hand ($ 150.000+)
Für Forschungsabschlüsse mit einem Budget bietet die [Orca Hand]
Orka Hand tief tauchen
Die Orca Hand ist eine 17-DOF-Open-Source-Hand, die für erschwingliche Manipulationenforschung entwickelt wurde. RCSV trägt die Orca Hand und bietet vormontage-Konfigurationen mit OpenArm und DK1-Plattformen.
Spezifikationen
| Parameter | Value |
|---|---|
| Degrees of freedom | 17 (5 fingers × 3 joints + 2 thumb abduction/adduction) |
| Actuators | Feetech STS3215 serial bus servos |
| Communication | TTL serial (1 Mbps), daisy-chained |
| Control frequency | Up to 100 Hz (position, velocity, or torque mode) |
| Grip force per finger | ~5 N (suitable for objects up to ~0.5 kg per finger) |
| Weight | ~350 g (hand only, excluding wrist adapter) |
| Materials | 3D-printed PLA/PETG structure, silicone fingertips |
| Simulation | MuJoCo MJCF model included |
| Software | Python SDK, ROS2 driver, LeRobot integration |
| Price | ~$2,000 (assembled) / ~$800 (DIY kit) |
Warum die Orka-Hand für Forschung bestimmt ist
Die Orca Hand füllt eine kritische Lücke im Markt für geschickte Hände. Vor ihrer Einführung hatten die Forscher zwei Möglichkeiten: teure kommerzielle Hände ($ 4.500+ für Allegro, $ 150.000+ für Shadow) oder die Kombination von maßgeschneiderten Lösungen.
- ** Open-Source-Design**: Vollständige CAD-Dateien, Firmware und SDK sind auf GitHub verfügbar. Sie können die Handgeometrie ändern, benutzerdefinierte Fingerspitze hinzufügen oder zusätzliche Sensoren integrieren.
- Verhältnismäßig erschwinglich: Bei ~ $2.000 pro Hand kostet eine zweibrochige Einrichtung (zwei Hände) $4.000
weniger als eine einzelne Allegro Hand. - MuJoCo-Simulation: Ein validiertes MJCF-Modell ist enthalten, das den sim-to-real-Transfer für RL-Politiken ermöglicht, die direkt in IsaacGym oder MuJoCo ausgebildet wurden.
- Python SDK: Steuern Sie alle 17 Verbindungen mit einer einfachen Python API. Stand, Geschwindigkeit und Drehmoment-Steuerungsmodi unterstützt.
- ** Kompatibel mit Imitationslernen**: Funktioniert mit [ACT]
T8 ) und Diffusionspolitik über LeRobot-Integration.
Orca Hand Python SDK Beispiel
# Orca Hand basic control example
from orca_hand import OrcaHand
# Connect to hand via serial port
hand = OrcaHand(port="/dev/ttyUSB0", baudrate=1000000)
hand.connect()
# Read current joint positions (17 values)
positions = hand.get_joint_positions()
print(f"Current positions: {positions}")
# Set individual finger positions
# Fingers: thumb(0-3), index(4-6), middle(7-9), ring(10-12), pinky(13-16)
hand.set_joint_position(joint_id=4, position=512) # index MCP
hand.set_joint_position(joint_id=5, position=400) # index PIP
hand.set_joint_position(joint_id=6, position=300) # index DIP
# Power grasp — close all fingers
grasp_positions = [512, 400, 300, 200, # thumb
512, 400, 300, # index
512, 400, 300, # middle
512, 400, 300, # ring
512, 400, 300, 200, 100] # pinky
hand.set_all_positions(grasp_positions)
# Torque control mode for compliant grasping
hand.set_control_mode("torque")
hand.set_joint_torque(joint_id=4, torque=100) # gentle index closure
hand.disconnect()
Überblick über die Versammlung
Die Orca Hand Schiffe sind von RCSV montiert, aber ein DIY-Kit (~ 800 USD) ist für Labore verfügbar, die es vorziehen zu bauen und zu personalisieren.
- 3D gedruckte Fingersegmente (STL-Dateien zur Verfügung gestellt, PLA oder PETG empfohlen)
- 17 Feetech STS3215 Servos (im Set enthalten)
- TTL-Seriebus-Kabelgeräte (einschließlich)
- Handgelenkmontageflanze (kompatibel mit ISO 9409-1 oder benutzerdefinierten Adaptern)
- Grundwerkzeuge: kleine Phillips-Schraubdreher, Hexschlüssel, Drahtstreifen
Paxini Gen3 Tactile Handschuhe
Die Paxini Gen3 ist ein sensoriertes Teleoperationshandschuhsystem, das für die Erhebung von geschickten Manipulationstraining-Daten entwickelt wurde. Es erfasst die Fingergelenkpositionen und Kontaktkräfte in Echtzeit und bietet die reichen Demonstrationsdaten, die für die Ausbildung von Politiken für geschickte Hände wie die Orca Hand erforderlich sind.
Schlüsselfähigkeiten
- Finger Tracking: Erfasst alle 20 DOF der menschlichen Hand (4 Gelenke × 5 Finger) bei 100 Hz mit eingebetteten Flexsensoren und IMUs.
- Taktische Rückmeldung: Druckempfindliche Fingerspitzen berichten über die Kontaktkraftverteilung an jedem Fingerspitz.
- Niedrige Latenz: End-to-end-Latenz von 10 ms von Handbewegung bis Datenfassung, die für eine reaktionsschnelle Teleoperation unerlässlich ist.
- Wireless: Die Bluetooth 5.0-Verbindung eliminiert die Kabelverbindung und ermöglicht die natürliche Handbewegung während der Datenerhebung.
- Datenformat: Ausgänge mit Zeitstempel gewählter Gelenkspitze und taktilen Arrays, die mit HDF5 und LeRobot-Datenleitungen kompatibel sind.
Datenerhebung-Arbeitsfluss
Der typische Arbeitsfluss zur Erhebung von geschickten Manipulationsdaten mit Paxini Gen3-Handschuhen:
- Kalibrieren Sie die Handschuhe an die Hand des Betreibers (2 Minuten, mit Software-Anleitung).
- Verknüpfen Sie die Handschuhgelenke mit den Gelenkgewinkel der Zielroboterhand (Orca Hand) und die Gelenkpositionen mit einem gelernten oder kinematischen Retargeting-Modell.
- Der Betreiber führt die Aufgabe mit den Handschuhen durch, während die Roboterhand die Bewegungen in Echtzeit reflektiert.
- Kameras und gemeinsame Coder registrieren die komplette Demonstration: Bilder, Roboter-Gebundene und Aktionen.
- Die Daten werden im HDF5-Format gespeichert, bereit für die [ACT]
T10 ) oder die Diffusion Policy-Ausbildung.
RCSV stellt Paxini Gen3 Handschuhe als Teil unseres [Daten-Sammlungsdienstes]
Integrationsleitlinien
ROS2-Integration für Endwirkung
Die meisten modernen Endefektors bieten ROS2-Treiber. Hier ist ein minimales Integrationsbeispiel für die Orca Hand mit ROS2:
# ROS2 Orca Hand controller node (Python)
import rclpy
from rclpy.node import Node
from sensor_msgs.msg import JointState
from std_msgs.msg import Float64MultiArray
from orca_hand import OrcaHand
class OrcaHandNode(Node):
def __init__(self):
super().__init__('orca_hand_controller')
self.hand = OrcaHand(port="/dev/ttyUSB0")
self.hand.connect()
# Publish joint states at 50 Hz
self.joint_pub = self.create_publisher(JointState, '/orca_hand/joint_states', 10)
self.timer = self.create_timer(0.02, self.publish_joint_states)
# Subscribe to joint position commands
self.cmd_sub = self.create_subscription(
Float64MultiArray,
'/orca_hand/joint_commands',
self.command_callback,
10
)
def publish_joint_states(self):
msg = JointState()
msg.header.stamp = self.get_clock().now().to_msg()
msg.name = [f'orca_joint_{i}' for i in range(17)]
msg.position = self.hand.get_joint_positions().tolist()
self.joint_pub.publish(msg)
def command_callback(self, msg):
if len(msg.data) == 17:
self.hand.set_all_positions(list(msg.data))
def main():
rclpy.init()
node = OrcaHandNode()
rclpy.spin(node)
node.hand.disconnect()
rclpy.shutdown()
OpenArm + Orca Handmontage
Die OpenArm 1 akzeptiert die Orca Hand über einen Standardflangenaadapter.
- Fisische Montage: Fügen Sie die Orca Hand Hand-Armbandflange mit 4 M5 Schrauben an die OpenArm-Werkzeugflange an. Die Adapterplatte (einschließlich mit RCSV-montierten Einheiten) wandelt den Schraubkreis des OpenArm von 50 mm in das Muster der Orca Hand von 40 mm um.
- ** Serienbus-Kabelung**: Führen Sie das TTL-Serie-Kabel der Orca Hand durch die Kabelkette des Arms zur Basis. Verbinden Sie sich mit einem USB-zu-TTL-Adapter auf dem Steuerungscomputer.
- Softwareintegration: Arm und Hand werden als separate Controllerknoten ausgeführt. Ein Koordinationsknoten veröffentlicht synchronisierte Befehle bei 50 Hz. Gesamtaktationsdimension: 6 (Arm) + 17 (Hand) = 23 DOF.
- Teleoperations-Setup: Verwenden Sie einen Führer OpenArm für die Armsteuerung und Handsteuerung Paxini Gen3 Handgläser.
LeRobot Datensatzformat für dexterose Manipulation
Bei der Erhebung von Daten für die geschickte Manipulation mit LeRobot erweitert sich die Datensatzstruktur um die Handgelenke:
# HDF5 episode structure for arm + dexterous hand
episode_0.hdf5
├── observations/
│ ├── qpos_arm # [T, 6] — arm joint positions
│ ├── qpos_hand # [T, 17] — hand joint positions
│ ├── qvel_arm # [T, 6] — arm joint velocities
│ ├── qvel_hand # [T, 17] — hand joint velocities
│ ├── images/
│ │ ├── cam_high # [T, 480, 640, 3] — overhead camera
│ │ ├── cam_wrist # [T, 480, 640, 3] — wrist camera
│ │ └── cam_hand # [T, 480, 640, 3] — hand close-up (optional)
│ └── tactile/ # (optional, if using tactile sensors)
│ ├── thumb # [T, 4, 4] — 4x4 pressure grid
│ └── index # [T, 4, 4]
├── action_arm # [T, 6] — target arm joint positions
├── action_hand # [T, 17] — target hand joint positions
└── attrs/
├── sim # False
└── num_timesteps # T
# Convert to LeRobot Parquet format
python -m lerobot.scripts.convert_dataset \
--raw-dir ./dexterous_episodes/ \
--repo-id my-org/dexterous-task \
--raw-format hdf5_aloha
End-Effektor-Kompatibilitätsmatrix
Nicht jeder Endeffektor funktioniert mit jedem Roboterarm.
| End Effector | OpenArm 1 | DK1 Bimanual | ViperX-300 S2 | UR5e / UR10e | Franka Emika |
|---|---|---|---|---|---|
| Orca Hand | Yes (native) | Yes (native) | Adapter needed | Adapter needed | Adapter needed |
| Paxini Gen3 | N/A (glove) | N/A (glove) | N/A (glove) | N/A (glove) | N/A (glove) |
| Robotiq 2F-85 | Adapter needed | Adapter needed | No | Yes (native) | Yes (native) |
| LEAP Hand | Adapter needed | Adapter needed | Adapter needed | Adapter needed | Adapter needed |
| Allegro Hand | No | No | No | Yes (adapter) | Yes (native) |
Kostenanalyse: Gesamtsystemkosten je Verwendungszweck
Bei der Haushaltsvorbereitung für ein Manipulationsforschungssystem ist der Endfaktor ein Teil einer größeren Investition.
| Configuration | Components | Total Cost | RCSV Lease |
|---|---|---|---|
| Entry-level dexterous | OpenArm 1 + Orca Hand + cameras | ~$7,000 | from $1,200/mo |
| Bimanual dexterous | DK1 + 2× Orca Hand + cameras + Paxini gloves | ~$18,000 | from $2,200/mo |
| Industrial parallel jaw | OpenArm 1 + Robotiq 2F-85 + cameras | ~$9,500 | from $1,400/mo |
| Humanoid manipulation | Unitree G1 + 2× Orca Hand + cameras | ~$20,000 | from $2,500/mo |
Erweiterte Themen
Integration der taktilen Sensorik
Die Hinzufügung von taktilen Sensoren an jede Griff oder Hand bereichert die während der Teleoperation gesammelten Daten.
- ** GelSight / GelSight Mini**: Optische taktile Sensoren, die ein hochauflösendes Kontaktbild erzeugen. Auf die Fingerspitze von parallelen Kiefergriffen montiert. ~ $ 300 pro Sensor. Durch die Bildverarbeitung bietet detaillierte Geometrie und Kraftinformationen.
- **DIGIT (Meta) **: Kompakt optischer Touchsensor ähnlich GelSight, aber kleiner und billiger (~ $ 200). Open-Source-Hardware-Design. Gut für die Forschung an taktilgeleitetem Greifen.
- **Paxini Gen3 (integriert) **: Bei der Verwendung der Paxini Handschuhe für die Teleoperation werden taktile Daten automatisch neben Hand-Posedaten erfasst, was die Notwendigkeit einer separaten Sensorintegration beseitigt.
- **BioTac (SynTouch) **: Multi-modaler Touchsensor, der Kraft, Vibration und Temperatur misst. verwendet auf Shadow Hand und Allegro Hand. ~ $ 5.000 pro Fingerspitze. Bietet das reichste verfügbare Touchsignal, aber zu hohen Kosten.
Sim-to-Real für schlechte Hände
Die Ausbildung von Handschulden in Simulationen und auf echte Hardware wird praktisch.
- Ausbilden Sie eine Politik in MuJoCo oder IsaacGym mit Domänenrandomisierung (Friction, Objektmasse, Aktorendynamik).
- Beurteilen Sie in Simulationen über 1.000+ Episoden, um die Robustheit zu überprüfen.
- Auf der echten Orca Hand mit null oder minimaler Feinstuning.
- Optional sammeln Sie 50
100 echte Episoden und passen Sie sie mit [ACT] T18 ] auf, um die Leistung in der realen Welt zu verbessern.
Häufig gestellte Fragen
Was ist ein Roboter-End-Effektor?
Ein Roboter-End-Effektor ist das an der Endseite eines Roboterarms befestigte Gerät, das mit der Umwelt interagiert. Es ist die "Hand" des Robot. Die Wahl des Endeffektors ist eine der entscheidendsten Entscheidungen in einem Manipulationssystem
Parallelgriffer vs. geschickte Hand: Welche sollte ich wählen?
Für die Produktion und die industrielle Automatisierung: verwenden Sie einen parallelen Kiefergriffer (Robotiq 2F-85 oder ähnlich). Es ist einfacher zu steuern, zuverlässiger und verfügt über umfangreiche Softwareunterstützung. Für die Forschung zu geschickter Manipulation, in-hand-Reorientierung oder Aufgaben, die Finger-Niveau-Steuerung erfordern: verwenden Sie eine geschickte Hand (Orca Hand, LEAP Hand). Die geschickte Hand erfordert mehr Trainingsdaten und komplexere Steuerung, ermöglicht aber Aufgaben, die parallele Griffgeräte nicht ausführen können.
Kann ich die Orka Hand auf meinen bestehenden Roboterarm montieren?
Die Orca Hand ist mit OpenArm 1 und [DK1](
Wie viele Trainingsdaten brauche ich für eine geschickte Manipulation?
Für ACT mit einer 17-DOF-Hand + 6-DOF-Arm (23 DOF insgesamt): Plan für 500+ Demonstrationen für einfache Greif-Tätigkeiten, 1.000+ für die reorientierung in der Hand. Alternativ, vor-train in Simulation (10.000+ Episoden) und Fein-Tuning auf 100
Was ist der beste Endwirkungsfaktor für die Nachbildung von Lernforschung?
Für einen schnellen Einstieg: Ein einfacher paralleler Kiefergriffer fügt nur 1 DOF zu Ihrem Aktionsraum hinzu und erfordert minimale Demonstrationen. RCSV [Daten-Sammlungsdienst]
Mieten Sie Orca Hand + OpenArm ab 1.200 $ pro Monat
RCSV bietet vormontierte Roboterarm + End-Effektor-Konfigurationen, die für die Forschung bereit sind. Die Lease beinhaltet Einrichtung, Kalibrierung und technische Unterstützung.