Comparación de los efectos finales de los robots 2026: Grippers, manos dexterosas y dedos táctiles
Comparar los efectos finales de los robots para la investigación de manipulación: sujetadores paralelos vs manos destrezas vs dedos táctiles. Especificidades, costos y casos de uso para Orca Hand, Paxini Gen3, Robotiq 2F-85, y más.
[← Guías]
Una comparación completa de los efectos finales de los robots para la investigación y el despliegue de manipulación
1. Tipos de efectos finales
Los efectores finales de robots se dividen en seis categorías, cada una adecuada para diferentes escenarios de manipulación.
Las agarradoras paralelas de jabalí
Dos dedos planos o contornos que se abren y cierran a lo largo de un solo eje. El efector final más simple y común para la investigación. Típicamente 1 DOF (abierto/cerrado), con detección de fuerza opcional. Las cargas útiles van desde 0,5 kg hasta 10 kg. Ejemplos: Robotiq 2F-85, Robotiq 2F-140, OnRobot RG2, Franka Hand.
** Mejor para:** Pick-and-place, picking bin, simple ensamblaje, cualquier tarea en la que los objetos puedan ser agarrados entre dos superficies planas. La mayoría de las investigaciones sobre ACT y la política de difusión utilizan agarradores paralelos porque minimizan el espacio de acción (solo 1 DOF para el agarrador) y maximizan la eficiencia de los datos.
Las agarradoras de tres dedos
Tres dedos dispuestos en un patrón triangular, proporcionando agarradas estables en objetos cilíndricos y esféricos. típicamente 3
Es mejor para: Agarrar objetos cilíndricos (botellas, tubos, herramientas), objetos que los sujetadores paralelos no pueden apretar confiablemente.
Las manos destrozas
Manos antropomorfos o semianantropomorfos con 12
Es mejor para: Investigación de manipulación en la mano, uso de herramientas, tareas que requieren destreza de punta de dedo (abrir botellas, escribir, operar interruptores). Las manos destrezas tienen el mayor espacio de acción, pero requieren significativamente más datos de entrenamiento (500
Efectores finales táctiles
Los efectos finales con matrices de detección táctil densas que proporcionan información de presión, corte y geometría de contacto. Pueden ser dedos táctiles independientes o pieles táctiles aplicadas a las pegadas existentes. Ejemplos: guantes táctiles Paxini Gen3, GelSight, DIGIT, BioTac.
Es mejor para: Manipulación de objetos deformables (alimento, tela), montaje sensible a la fuerza (snap-fit, inserción) y cualquier tarea en la que la retroalimentación visual por sí sola sea insuficiente.
Grifos de succión
Grifos basados en vacío que se conectan a superficies planas o ligeramente curvas. accionamiento de DOF cero (encendido/desligado). velocidades de recogida extremadamente rápidas (<0,5 segundos por recogida). Ejemplos: Grifos de vacío Schmalz, OnRobot VGC10, Piab.
Es ideal para: Recoger contenedores de alta velocidad, aplicaciones logísticas/de almacenes, recoger objetos planos (cajas, bolsas, hojas). No es adecuado para objetos de forma irregular o porosos.
Las agarradas magnéticas
Grifes basados en electromagnéticos para objetos ferrosos.
Es mejor para: Manejo de piezas metálicas en la fabricación, máquinas CNC, montaje automotriz.
2. Metricas clave para la selección de los efectos finales
Al evaluar los efectos finales de un proyecto de robótica, estas son las métricas que importan:
- Degres de libertad (DOF): Determina la riqueza del espacio de acción. 1 DOF (agarrador paralelo) es más sencillo para el aprendizaje de imitación; 16+ DOF (mano dexterosa) requiere 10
50 veces más datos de entrenamiento. - Propósito de carga / fuerza de agarre: Peso máximo del objeto que el efector final puede agarrar y sostener de forma fiable. Debe exceder el objeto objetivo más pesado por un margen de seguridad de al menos 50%.
- Tipo de activación: Eléctrico (servo/motor), neumático (presión de aire) o hidráulico. El eléctrico es estándar para la investigación; neumático es común en las agarradas de aspiración industriales.
- Sensorización: Fuerza/torque en la muñeca, matriz táctil en las puntas de los dedos o no detección.
- Repetible: Cómo los dedos vuelven a la misma posición con precisión.
- Peso: El peso del efector final reduce la carga útil efectiva del brazo.
- Costo: Varía entre $200 (gripera paralela impreso en 3D) y $100,000+ (Mano de la sombra dexterosa).
- ROS2 / SDK Support: esfuerzo de integración de software. Los controladores ROS2 fuera de la plataforma ahorran semanas de desarrollo.
- Modelo de simulación: Disponibilidad de modelos URDF/MJCF para MuJoCo, Isaac Sim o PyBullet. Esencial para la evaluación sim-to-real y de las políticas.
3. Tabla de comparación de efectos finales
Especificaciones detalladas de los efectos finales más utilizados en la investigación y el despliegue de manipulaciones (2026).
| End Effector | Type | DOF | Carga Útil / Grip Force | Actuation | Sensing | Weight | ROS2 | Sim Model | Price (USD) |
|---|---|---|---|---|---|---|---|---|---|
| Orca Hand | Dexterous hand | 17 | 2 kg | Feetech STS3215 servos | Joint position + optional tactile | 0.6 kg | Community | MuJoCo MJCF | ~$1,200 (BOM) |
| Robotiq 2F-85 | Parallel gripper | 1 | 5 kg / 235 N | Electric servo | Position + force feedback | 0.9 kg | Official driver | URDF, MuJoCo | $4,500–$5,500 |
| Robotiq 2F-140 | Parallel gripper | 1 | 2.5 kg / 100 N | Electric servo | Position + force feedback | 1.0 kg | Official driver | URDF, MuJoCo | $5,000–$6,000 |
| Inspire RH56 | Dexterous hand | 12 (6 active) | 1.5 kg | Coreless DC motors | Joint position + current | 0.52 kg | Community | URDF | ~$2,500 |
| Wonik Allegro V4 | Dexterous hand | 16 | 1.5 kg | Brushless DC motors | Joint position + torque | 1.1 kg | Official driver | MuJoCo, Isaac | $15,000–$18,000 |
| Paxini Gen3 | Tactile glove/skin | N/A (sensor) | N/A | N/A (passive sensor) | 32x32 pressure array per pad, 100 Hz | 0.08 kg per pad | Python SDK | N/A | $3,500–$5,000 |
| Shadow Mano Diestra | Dexterous hand | 24 | 2 kg | Pneumatic muscles + electric | Joint position + torque + BioTac tactile | 4.2 kg | Official driver | MuJoCo, Gazebo | $100,000+ |
| LEAP Hand | Dexterous hand | 16 | 1.0 kg | Dynamixel XC330 servos | Joint position | 0.55 kg | Community | MuJoCo, Isaac | ~$2,000 (BOM) |
| Franka Hand | Parallel gripper | 1 | 3 kg / 70 N | Electric | Force + width feedback | 0.73 kg | Built into Franka ROS2 | URDF, MuJoCo | Included with FR3 |
| OnRobot RG2 | Parallel gripper | 1 | 2 kg / 40 N | Electric | Force + width | 0.65 kg | Official driver | URDF | $2,500–$3,500 |
4. Orca Hand Deep Dive
La Orca Hand es una mano destre de 17 DOF de código abierto diseñada para la investigación de manipulación. Utiliza servos Feetech STS3215 (los mismos servos utilizados en ALOHA y OpenArm), lo que lo hace mecánicamente compatible con el ecosistema de aprendizaje de imitación existente.
Las especificaciones
- Degres de libertad: 17 (5 dedos x 3 articulaciones + 2 articulaciones del pulgar)
- Servos: Servos de autobús en serie de Feetech STS3215 (30 kg de par de centímetro, rango de 360 grados)
- Comunicación: Autobús TTL en serie a 1 Mbps. Todos los servidores en un solo autobús de cadena de margaritas.
- Frecuencia de control: Control de posición de hasta 50 Hz por servo
- Carga útil: ~2 kg (gestión de potencia), ~0,3 kg (pinta de precisión)
- Peso: 0,6 kg
- Materiales: Impresos en 3D (PLA/PETG) con enlaces de dedos de aluminio
- Costo de BOM: ~ $1,200 (servos: ~ $800, piezas impresas en 3D: ~ $100, fijaciones + cableado: ~ $300)
Estaca de software
# Orca Hand Python SDK - basic usage
from orca_hand import OrcaHand
hand = OrcaHand(port="/dev/ttyUSB0", baudrate=1000000)
hand.connect()
# Read current joint positions (17 values, radians)
qpos = hand.get_joint_positions()
print(f"Joint positions: {qpos}")
# Command a power grasp
hand.set_joint_positions([
0.0, 1.2, 1.5, # index: MCP, PIP, DIP
0.0, 1.2, 1.5, # middle
0.0, 1.2, 1.5, # ring
0.0, 1.2, 1.5, # pinky
0.8, 0.4, 1.0, 1.2, 0.6 # thumb: CMC_abd, CMC_flex, MCP, IP, opposition
])
# MuJoCo simulation
hand.load_mjcf("orca_hand/assets/orca_hand.xml")
hand.simulate_grasp(object_mesh="mug.stl")
Simulación de MuJoCo
El Orca Hand se utiliza con un modelo MJCF validado para la simulación MuJoCo. Los límites conjuntos, inercias y propiedades del actuador se calibran con el hardware físico. Esto permite la transferencia sim-a-real para el aprendizaje de refuerzo y la evaluación de políticas sin riesgo de hardware. La simulación coincide con las tasas de éxito de captura de hardware real dentro de 10
RCSV ofrece el Orca Hand preensamblado y probado para equipos que no deseen obtener y montar 17 servos. Las unidades preensambladas incluyen calibración de servo, flashing de firmware y un modelo MuJoCo verificado sintonizado con la unidad específica. Disponible a través de nuestro catálogo de hardware.
5. Guantes táctiles de Paxini Gen3
El Paxini Gen3 es un sistema de detección táctil que agrega un mapa de presión densa a cualquier agarre o mano existente. Cada almohadilla de sensor contiene una matriz de 32x32 de taxels (pixeles táctiles) muestreo a 100 Hz, proporcionando datos de distribución de presión espacial que las cámaras no pueden capturar
Las especificaciones
- Resolución del sensor: 32x32 taxeles por almohadilla (1,024 lecturas de presión por almohadilla)
- Rate de muestreo: 100 Hz (sincronizado en todas las almohadillas)
- Rango de presión: 0
100 kPa por taxel - Despeso del sensor: 2,5 mm (impacto mínimo sobre la geometría del agarre)
- Interfaz: USB-C, Python SDK con salida de matriz NumPy
- Formatos de datos: Compatibles con HDF5; cada marco es una matriz float32 de 32x32 por almohadilla
- Peso: 80 g por almohadilla
- Precio: $3,500
$5,000 (dependiendo del número de almohadillas)
Integrarse con el aprendizaje por imitación
# Paxini Gen3 - reading tactile data for policy training
from paxini import PaxiniSensor
import numpy as np
sensor = PaxiniSensor(port="/dev/ttyACM0")
sensor.start_streaming()
# Read a single frame
frame = sensor.read_frame()
# frame.left_pad: np.ndarray (32, 32), float32, range [0, 100] kPa
# frame.right_pad: np.ndarray (32, 32), float32, range [0, 100] kPa
# Compute contact features for policy input
total_force = np.sum(frame.left_pad) + np.sum(frame.right_pad)
contact_area = np.count_nonzero(frame.left_pad > 1.0) # taxels > 1 kPa
center_of_pressure = np.array([
np.average(np.arange(32), weights=np.sum(frame.left_pad, axis=1) + 1e-8),
np.average(np.arange(32), weights=np.sum(frame.left_pad, axis=0) + 1e-8),
])
# Save to HDF5 for ACT/Diffusion Policy training
import h5py
with h5py.File("episode_001.hdf5", "a") as f:
f.create_dataset("/observations/tactile/left", data=left_pad_sequence)
f.create_dataset("/observations/tactile/right", data=right_pad_sequence)
La adición de datos táctiles a la formación de ACT o de Política de difusión mejora las tasas de éxito en 10
6. Grippers paralelas para la recopilación de datos
Para los equipos que comienzan con el aprendizaje por imitación, los sujetadores paralelos son casi siempre la primera opción correcta.
Las ventajas
- ** Espacio mínimo de acción:** 1 DOF para el agarre significa que la política sólo necesita aprender el tiempo de apertura/cerro, no la coordinación compleja del dedo.
- Eficiencia de datos: 50
100 demostraciones son suficientes para la mayoría de las tareas de pick-and-place con un agarre paralelo. - Teléoperación confiable: El control de un solo agarre durante la teleoperación es intuitivo.
- Listo industrial: Las agarres paralelas tienen décadas de uso industrial, fiabilidad comprobada y interfaces de montaje estandarizadas (ISO 9409-1).
- Costo: $200 (3D impreso) a $5,500 (Robotiq 2F-85), frente a $ 15,000+ para las manos hábiles de grado de investigación.
Las limitaciones
- No puede realizar manipulaciones de mano (rotar, agitar con los dedos).
- Diversidad limitada de agarre
sólo agarre el dedo opuesto. - Lucha con objetos muy pequeños (<5 mm), objetos muy delgados y objetos que requieren un control preciso de orientación.
- No puede demostrar destreza humana para tareas como el uso de herramientas, la mecanografía o plegando prendas de vestir.
Nuestra recomendación: Comience cada proyecto de aprendizaje de imitación con un control paralelo. Valide su línea de recopilación de datos, flujo de trabajo de capacitación e infraestructura de implementación en el más simple posible efecto final. Graduar a manos destrezas solo cuando la tarea requiere de destreza de punta de dedos
7. Seleccionar los efectos finales para el aprendizaje por imitación
La elección del ejecutor final afecta directamente a la viabilidad y el coste de su proyecto de aprendizaje de imitación.
DOF y requisitos de datos
Cada grado de libertad en el factor final añade dimensiones al espacio de acción que la política debe aprender.
| End Effector DOF | Total Action Dims (with 6-DOF arm) | Min Demos (simple task) | Min Demos (complex task) |
|---|---|---|---|
| 1 (parallel gripper) | 7 | 50 | 200 |
| 6 (Inspire RH56) | 12 | 150 | 600 |
| 16 (Allegro) | 22 | 400 | 2,000 |
| 17 (Orca Hand) | 23 | 500 | 2,500 |
| 24 (Shadow Hand) | 30 | 800 | 5,000+ |
Las cuestiones de repetibilidad para la formación en materia de políticas
Los servos de bajo costo (como Feetech STS3215) tienen una repetibilidad de posición de ~1
La detección táctil como multiplicador de la fuerza
La adición de sensores táctiles a cualquier factor final mejora el rendimiento de las políticas en tareas ricas en contacto en un 10
8. Integración con los brazos comunes
La selección del efecto final depende en parte de qué brazo robótico utilice.
| Robot Arm | Carga Útil | Mounting | Best End Effectors | Notes |
|---|---|---|---|---|
| OpenArm 1 | 1.5 kg | Custom flange (3D-printable adapter available) | Orca Hand, parallel gripper, Paxini Gen3 | Feetech STS3215 bus shared with Orca Hand. Native compatibility. |
| ViperX 300 S2 | 0.75 kg | Dynamixel XC430 gripper mount | Stock gripper, custom parallel gripper | Low payload limits end effector options. Stock gripper is adequate for most research tasks. |
| Franka FR3 | 3 kg | ISO 9409-1 flange | Franka Hand, Robotiq 2F-85, Allegro, Orca Hand | Standard flange accepts any ISO-compatible end effector. Best-in-class joint torque sensing. |
| UR5e / UR10e | 5 / 12.5 kg | ISO 9409-1 flange | Robotiq 2F-85, Robotiq 3-Finger, OnRobot RG2, suction | Industrial standard. URCap ecosystem for plug-and-play integration. |
| Unitree G1 (humanoid arms) | 3 kg per arm | Custom wrist mount | Inspire RH56 (stock), Orca Hand (adapter needed) | G1 ships with Inspire RH56 hands by default. |
9. Análisis de costes: Efector final + combinaciones de brazos
Costo total de una estación de manipulación lista para la investigación, incluidos el brazo, el efector final, las cámaras y el hardware de montaje.
| Configuration | Arm Cost | End Effector Cost | Cameras + Mounts | Total | Best For |
|---|---|---|---|---|---|
| OpenArm 1 + parallel gripper | $4,500 | $200 (3D-printed) | $500 | $5,200 | Budget imitation learning starter |
| OpenArm 1 + Orca Hand | $4,500 | $1,200 | $500 | $6,200 | Dexterous manipulation research |
| OpenArm bimanual + parallel grippers | $9,000 | $400 | $800 | $10,200 | Bimanual ACT data collection |
| ViperX 300 + stock gripper | $6,500 | Included | $500 | $7,000 | LeRobot-native research platform |
| Franka FR3 + Robotiq 2F-85 | $28,000 | $5,000 | $800 | $33,800 | Industrial-grade research |
| Franka FR3 + Allegro V4 | $28,000 | $16,000 | $800 | $44,800 | Premium dexterous manipulation |
| OpenArm + Orca Hand + Paxini Gen3 | $4,500 | $1,200 + $4,000 | $500 | $10,200 | Tactile + dexterous research |
| Unitree G1 (humanoid) | $16,000 (complete system with Inspire RH56 hands) | $16,000 | Full-body humanoid manipulation |
No compre
Guía de decisión: Elegir su efecto final
Utilice este árbol de decisión para seleccionar el ejecutor final adecuado para su proyecto:
- ¿Su tarea es la de elegir y colocar objetos rígidos? Utilice un agarre paralelo. Robotiq 2F-85 para la producción, agarre de stock OpenArm o impreso en 3D para la investigación.
- ¿La tarea requiere manipulación manual (rotar, reposicionar sin volver a agarrar)? Necesita una mano destre.
- ** ¿La tarea implica objetos deformables o frágiles? ** Agregue detección táctil. Paxini Gen3 en su agarre existente, o GelSight para detección visual- táctil.
- ¿Es la tarea la recogida de contenedores de alta velocidad (> 1.000 picos/hora)? Utilice la succión para objetos planos, un agarre paralelo para objetos 3D.
- ¿Estás entrenando políticas de aprendizaje de imitación? Comience con un pegador paralelo independientemente de los requisitos de la tarea final. Valide primero tu pipeline, y luego actualice el efector final.
- ** Presupuesto inferior a $2,000 para el efector final? ** Orca Hand ($1,200 BOM) o LEAP Hand ($2,000 BOM) para tareas destructas.
- ** ¿Necesita ROS2 de conexión y reproducción? ** Robotiq 2F-85 o Allegro V4 tienen el mejor soporte de ROS2 fuera de la caja.
Alquiler de robots con efectos finales ya configurados
Salta semanas de integración de hardware. RCSV ofrece estaciones de manipulación preconfiguradas