ロボット エンド エフェクター 比較 2026: 握手, 優雅 な 手, 触覚 指
操作研究のためのロボットエンドエフェクターを比較する:平行グリッパー対巧手対触覚指.オルカハンド,パクシニ・ジェネラルド3,ロボティク2F-85などの仕様,コスト,使用ケース.
[←ガイド]
操作研究および部署のためのロボットエンドエフェクターの包括的な比較
1 終効果の種類
ロボットエンドエフェクターは6つのカテゴリーに分類され,各には異なる操作シナリオが適用されます.エンドエフェクターの選択は,ロボットの実行能力,収集できるデータ,訓練できるポリシーを決定します.
縦横の爪のグリッパー
単軸に沿って開閉する2つの平面またはコンタクトの指.研究のための最もシンプルで最も一般的なエンドエフェクター.通常は1DOF (開閉),オプションの力感知.用荷は0.5kgから10kg以上です.例:Robotiq 2F-85,Robotiq 2F-140,OnRobot RG2,Franka Hand.
** 選出し・場所,ビニーの選出し,基本の組み立て,物体を2つの平面表面の間に握ることができるすべての作業.ACTと拡散政策の研究の大部分は,動作スペースを最小限に抑え (グリッパーには1DOFのみ) 及びデータ効率を最大限に高めるため,並行グリッパーを使用します.
3本の指のグリッパー
円筒形と球形形の物体に安定した握手を提供する三本の指が三角形パターンに配置されている.典型的には3
**
立派な手
4
**手操作研究,道具使用,指尖の技巧を要する作業 (ボトル開く,タイプする,スイッチを操作する) に最適です.
タクチルエンドエフェクター
圧力と切断,接触幾何学情報を提供する密集した触覚センサーマレイを持つエンドエフェクター.既存のグリッパーに固有の触覚指または触覚皮膚が適用される可能性があります.例:Paxini Gen3触覚手袋,GelSight,DIGIT,BioTac.
**** 変形可能な物体操作 (食品,織物),力敏感な組み立て (スナップフィット,挿入) や視覚フィードバックだけでは十分でないあらゆる作業に最適です.触覚データにより政策訓練に豊富な信号チャンネルが追加されます.
吸い込みグリッパー
円形またはわずかに曲がった表面に固定する真空ベースのグリッパー.ゼロDOFアクチュエーション (オン/オフ).非常に速いピックレート (ピック毎に0.5s).例:シュマルズ真空グリッパー,オンロボット VGC10,ピアブ.
**高速ゴミ採集,物流/倉庫用,平面物品採集 (箱,袋,シート) に最適. 不規則な形や毛細な物品には適していません.
磁気グリッパー
鉄体用電磁気ベースのグリッパー.ゼロDOF,オン/オフ制御.例:Schunk EMH,OnRobot MG10.
**製造における金属部品の処理,CNC機械の処理,自動車の組み立て.
2 終効果要素の選択の主要な指標
ロボットプロジェクトで エンドエフェクターを評価する際には,
- 自由度 (DOF): 動作空間の豊かさを決定する. 1 DOF (並行グリッパー) は模倣学習に最も簡単である. 16+ DOF (ダックスターズ・ハンド) は 10
50倍以上のトレーニングデータを必要とします. - ペイロード/グリップフォース: 究極の効果が信頼に適した物体重量で把握し維持できる. 最重のターゲット物体を少なくとも50%の安全率で上回る必要があります.
- アクチュエーションタイプ: 電動 (サーボ/モーター),空気圧 (空気圧),または水力.電気は研究用標準であり,空気圧は工業用吸い込みグリッパーで一般的です.
- **感知:**手首の力/トークル,指先の触覚マレイズ,または感知がない.触覚感知は接触に富んだ作業における政策パフォーマンスを劇的に改善します.
- 重複性: 指が同じ位置に戻る正確な方法. 組み立て作業にとって重要だが,ゴミ箱を拾うのに重要ではない.
- **重量:**最終効果の重量により腕の有効な用荷が減ります. 5kgの用荷腕の2kgの巧妙な手によって,物体が3kgしか残っていません.
- コスト: 200ドル (3Dプリントの並行グリッパー) から100,000ドル以上 (シャドウ デクステルス ハンド) までです.予算は選択を強く制限します.
- **ROS2 / SDKサポート:**ソフトウェア統合の努力. 棚にないROS2ドライバーは数週間の開発を節約します.
- シミュレーションモデル: MuJoCo,Isaac Sim,PyBulletのURDF/MJCFモデルの利用可能.
3 終結効果比較表
操縦研究および部署において最も一般的に使用されるエンドエフェクターに関する詳細な仕様 (2026年).
| End Effector | Type | DOF | ペイロード / 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 器用な手 | 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.オークハンドディープダイブ
Orca Handは,操作研究のために設計されたオープンソースの17DOFの巧妙な手です.Fetech STS3215のサーボを使用 (ALOHAとOpenArmで使用される同じサーボ) で,既存の模倣学習エコシステムと機械的に互換性がある.BOMのコストで1,200ドルで,研究グレードの機能を持つ最も手頃な価格の巧妙な手です.
仕様
- 自由度: 17 (5指×3関節+2指関節)
- セルフ: Feetech STS3215 シリアルバスセルフ (30kg-cm トーク, 360度範囲)
- 通信: TTL シリアルバス 1 Mbps. すべてのセルボは単一のダイアリーチェーンバスに.
- 制御周波数: セルボあたり50 Hzまで位置制御
- ** バイロード:** ~2kg (パワーキャプチャ), ~0.3kg (精度ピンチ)
- 重量: 0.6 kg
- 素材: 3Dプリント (PLA/PETG) アルミの指の結合付き
- BOMコスト: ~$1,200 (サービス: ~$800,3Dプリント部品: ~$100,固定装置 +ワイヤリング: ~$300)
ソフトウェアスタック
# 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")
MuJoCo シミュレーション
Orca HandはMuJoCoシミュレーションのための検証されたMJCFモデルを搭載している.物理的なハードウェアに対して関節制限,慣性およびアクチュエーター特性が校正されている.これはハードウェアリスクなしで強化学習とポリシー評価のためのシム-リアル転送を可能にします.シミュレーションは標準基準オブジェクト (YCBオブジェクトセット) で10~15%の実用ハードウェア把握成功率に匹敵します.
RCSVは17台のサーボを調達・組み立てたくないチームにオーカハンドをプリ組み,テストするを提供しています.プリ組みのユニットは,サーボ校正,ファームウェアの閃き,および特定のユニットに調節された検証されたMuJoCoモデルが含まれます. [ハードウェアカタログ](
5. パクシニ Gen3 タクチル手袋
Paxini Gen3は,既存のグリッパーや手に密度の圧力マッピングを追加する触覚センサーシステムである.各センサーパッドには,32x32のタクセル (触覚ピクセル) の配列が100Hzでサンプルを採取され,カメラが捕まえることができない空間圧力の分布データを提供します.
仕様
- センサー解像度: テーブルの1枚あたり32x32タックセル (1,024タックあたり圧力測定値)
- サンプル速度は: 100 Hz (すべてのパッドで同期)
- 圧力の範囲: 計車車あたり0
100 kPa - センサー厚さ: 2.5 mm (グリッパー幾何学に最小の影響)
- インターフェース: USB-C,Python SDKとNumPy アレンジ出力
- データフォーマット: HDF5対応;各フレームは,パッドごとに32x32 float32 マレイです
- 重量: 片付けあたり80g
- **価格:**3,500ドル~5,000ドル (パッド数によって異なります)
模倣 学習 に 統合 する
# 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)
ACTまたは拡散政策訓練に触覚データを追加することは,視力のみのポリシーと比較して接触敏感な作業 (挿入,変形可能なオブジェクト処理) に 10~25%の成功率を向上させます.触覚フレームは通常,小さなCNN (3コンボレイヤー) を介して処理され,トランスフォーマーデコーダーの前に視覚トークンと連鎖されます.
6.データ収集の並行グリッパー
模倣学習から始まるチームでは,並行式グリッパーはほとんど常に正しい最初の選択です.
利点
- 最小の動作空間: 1 DOF グリッパーには,ポリシーは単に開閉時間しか学ばなく,複雑な指の調整を学ぶ必要があることを意味します.これは,データ要求を劇的に削減します.
- データ効率: パリレルグリッパーでほとんどのピックアンドプレイスタスクに50
100のデモが十分.16DOFの手で同じタスクには500 2,000のデモが必要. - 信頼性のある遠隔操作: 遠隔操作中に単一のグリッパーを制御することは直感的です.16DOFの手を制御するには,騒音をもたらす特殊な手袋やVR手追跡が必要です.
- 産業用準備: 平行グリッパーは,数十年もの産業用展開,実証された信頼性,標準化されたマウントインターフェース (ISO 9409-1) を備えています.
- 費用:$200 (Dプリント) から$5,500 (ロボティク2F-85),研究級の手腕には$15,000+
制限
- 手操作 (回転,指を振り回す) を行けない.
- 握手多様性 握手指のみ
- 極めて小さい物体 (<5mm),非常に薄い物体,正確な方向制御を必要とする物体との戦い.
- 道具の使用,タイプしたり,服折りなどの人類のような技巧を証明できない.
我々の推奨事項: すべての模倣学習プロジェクトを並行グリッパーで開始する.データ収集パイプライン,トレーニングワークフロー,および展開インフラストラクチャを可能な限りシンプルなエンドエフェクターで検証する. 作業に指尖の技巧が本当に必要である場合にのみ,卒業生から手腕の熟練者へ.
7 模倣学習 の 目的 を 選べる
究極の効果の選択は,模倣学習プロジェクトの実現可能性とコストに直接影響します.
DOFとデータ要件
政策が学ぶべき行動空間に自由のあらゆる程度が追加される. DOFとデータ要求の関係は,グリッパーではほぼ線形だが,手には超線形である.
| 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+ |
政策訓練における重複性問題
低コストのサーボ (Feetech STS3215) は,1°2度位置の再現性があり,これは示例データに騒音を加えます.高級モーター (ダイナミクセルXMシリーズ,ファウルハーバー) は0.1°0.3度再現性を達成します.精度作業 (<1mm耐容性) では,サーボ品質は達成可能な政策精度に影響します. 予算はそれに応じて 1200ドル オーカハンドとフィテックサーボは 研究に最適ですが 工業的な精度要求を満たさないかもしれません
触覚感知 は 力を 増やす 手段
触覚センサーを任意のエンドエフェクタに追加することで,接触力のあるタスクにおける政策パフォーマンスは1025%向上します.パクシニ Gen3パッドを追加するコスト (3,5005,000ドル) は触覚フィードバックなしで同じパフォーマンスを達成するために必要な視覚デモの2~5倍も収集するコストよりもしばしば低くなっています. 脆弱な物体操作 (卵,電子機器,ガラス器具) と変形可能な物体 (食品,織物) に関しては,触覚センサーはオプションではありません.
8. 共通の武器への統合
機械 の 組み立て,通信 プロトコル,および 荷重 制限 は,腕 に 基づいて 異なる.
| Robot Arm | ペイロード | 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.コスト分析:エンドエフェクター+アーム組合せ
研究準備ができている操作ステーションの総コスト,腕,エンドエフェクター,カメラ,およびマウントハードウェアを含む.2026年4月時点での価格.
| 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) | $16,000 | Full-body humanoid manipulation |
先は 2,500$からロボットレンズを提供しています.OpenArm + Orca Handステーションの3ヶ月間のレンズ価格は,購入価格の半分未満で4,800$
10 決定ガイド: 終結効果を選ぶ
この決定木を使って,プロジェクトに最適な最終効果を選択します.
- あなたの仕事は硬い物体で拾い取れるか 並行グリッパーを使用する. 製造のためにロボティク 2F-85,OpenArm ストックグリッパーまたは研究のために3Dプリント.
- 作業には手操作 (回転,再配置を繰り返す) が必要ですか? 巧妙な手が必要です.予算研究のためのオークハンド,成熟したROS2サポートのためのアレグロV4,予算が制限のない場合はシャドーハンド.
- ** 作業には変形可能か脆弱な物体が含まれるか?** タクシルのセンサーを追加する. パクシニ Gen3は既存のグリッパー,または視覚触覚センサーのGelSight.
- **高速ゴミ箱を拾うことが課題ですか (>1,000ピーク/時間) ** 平面物体の吸い込み,3D物体の並行グリッパーを使用してください.
- 模倣学習方針を訓練していますか? 最終的なタスクの要件に関係なく,並行グリッパーで開始します. まずパイプラインを検証し,最終効果をアップグレードします.
- オーカハンド (1200ドル) や LEAPハンド (2000ドル) は 巧妙な作業で 3Dプリント パラレルグリッパー (200ドル)
- ROS2プラグ・アンド・プレイが必要ですか ロボティク 2F-85 または アレグロ V4 は,ROS2のベスト・アウト・オブ・ザ・ボックスサポートを持っています.
終結効果器が既に設定されているロボットをレンタルする
ソフトウェアの利用は,Hardwareの統合を1週間も省きます.RCSVは,手元に設定された操作ステーションを提供します. 腕 +エンドエフェクター +カメラ +ソフトウェア. データを収集し,政策訓練に準備ができています. リージングは月額800ドルから始まります.
ローボットリース