로봇 엔드 에펙터 및 그립퍼: 연구 실험실의 완전한 비교 가이드 (2026)
조작 연구용 로봇 엔드 에펙터: 평행 지리퍼, 능숙한 손, 촉각 센서.
[← 가이드]
조작 연구를 위한 로봇 엔드 에펙터들의 포괄적인 비교
로봇 최종 효과자 종류
최종 효과 는 로봇 이 실제로 할 수 있는 일을 결정 하는 구성 요소 이다. 잘못된 지잡이 를 가진 5만 달러짜리 로봇 팔 은 작업 에 쓸모 없으나, 올바른 최종 효과 를 가진 4,500 달러짜리 팔 은 매우 생산적 이 될 수 있다. 이 가이드 는 연구 및 생산 에서 사용되는 다섯 가지 주요 범주 의 최종 효과 를 구체적 인 제품 추천 및 가격 을 포함 합니다.
병렬 재프 립퍼 (2 손가락)
산업 및 연구 로봇의 작업마. 두 개의 딱딱한 손가락은 반대편에서 힘을 적용하여 물건을 잡기 위해 병렬로 움직입니다. 단순하고 신뢰할 수 있으며 평면 또는 원형 표면이있는 물체에 적합합니다.
** 작동 방식**: 단일 액추에이터 (전자 모터 또는 공기 실린더) 는 두 손가락을 대칭적으로 움직인다. 단일 자유 정도 (오픈/ 닫은) 는 제어 기능을 비약적 으로 만든다.
** 강점**: 높은 신뢰성, 빠른 주행 시간 (0.5
** 제한**: 손가락 재착용을 필요로 하는 물체를 조작할 수 없습니다. 스트로크 너비 안에 들어있는 물체에 제한됩니다. 변형 가능한 물체 (무장, 가방, 음식) 과 투쟁합니다.
****에 가장 적합하다: 픽업 및 장소, 캔 픽업, 딱딱한 부품의 집합, 팔레티징.
다발 손가락 한 손
3
** 작동 방식**: 각 손가락은 개별 동동기 (서보, 경동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동 제어는 공동 수준의 위치/토크 명령어 또는 점점 더 [이미테이션 학습] (
** 강점**: 인간과 비슷한 기술력, 다양한 객체 기하학을 처리할 수 있으며, 도구 사용, 집합 및 객체 재주정 등의 작업에 필수적인 손 조작을 가능하게 한다.
** 제한**: 복잡한 제어 (고차원적 행동 공간), 간단한 지갑에 비해 비싸고 기계적으로 취약하며, 학습된 정책에 대한 훈련 데이터가 더 필요합니다.
****에 가장 적합한:
부드럽고 적합 한 찌감치
탄압적 인 인 인재 를 사용 하는 데 있어서 점점 더 인기가 높다.
** 작동 방식**:
** 강점**: 섬세한 물체에 있어서 본질적으로 안전하며, 사용자 지정 손가락 디자인 없이 불규칙한 모양에 적합하며, 접촉 중에 자연적으로 적합하며, 식품 취급 및 생물학적 샘플에 적합합니다.
** 제한**: 단단한 지갑보다 낮은 지착력, 느린 작동 (pneumatic response time), 더 정확한 위치, 제한된 유용용 부하 용량, 부드러운 재료에 대한 노화.
** 가장 좋은 방법**: 식품 취급, 농업용 수확, 의료/수술용, 취약한 물체 조작.
촉감 및 감지 된 포착 장치
접촉력, 압력 분포, 때로는 질감을 측정하는 촉각 센서를 장착한 지갑이나 장갑. 풍부한 조작 데이터를 수집하고 힘에 대한 로봇 정책을 가능하게 하는 데 중요합니다.
** 작동 방식**: 촉각 센서 (지원성, 용량성, 광학 또는 바로미터) 는 지갑의 손가락 끝이나 손바닥에 내장되어 있다. 잡기 및 조작 중에 힘 벡터, 접촉 영역 및 슬립 탐지 정보를 보고한다. 이 데이터는 반응형 잡기 위한 로봇의 제어 루프 또는 학습 기반 접근을 위한 훈련 데이터 세트에 공급된다.
** 강점**: 힘에 대한 조작을 가능하게 하고, 잡기 안정성과 초기 슬라이드를 감지하고, 깨지기 쉬운 물체를 처리하는데 필수적인 학습 정책에 대한 풍부한 훈련 데이터를 제공합니다.
** 제한**: 데이터 파이프라인에 복잡성을 추가하고, 센서 가등화가 요구되고, 비용이 더 높고, 일부 센서 유형은 시간이 지남에 따라 저하됩니다.
****: 텔레오퍼레이션 데이터 수집, 힘에 민감한 작업, 변형 가능한 객체 조작, 촉각 인식에 대한 연구
진공 및 자기결제 효과
물체를 뽑기 위해 흡입 또는 자기력을 사용하는 접촉하지 않는 또는 단점 접촉 괄호. 물류 및 창고 자동화 분야에서 지배적이다.
**백 (흡입컵) **: 평평 또는 약간 곡선 표면에 봉기를 만들어 부정적인 압력을 통해 유지하십시오. 매우 빠른 (0.1
자기: 철금속 물체를 잡기 위해 영구 자석이나 전자기 사용. 호환 가능한 물질에 대해 무실점 잡기, 즉각적 선택/지방, 그러나 철금 magnetic 물체에만 제한됩니다.
****에 가장 적합한: 창고 주문 이행, 금속 유무 처리, 박스 패러티, PCB 픽 앤 플레이스
최종 효과자 비교 표
다음 표는 2026년 로봇 연구실에서 사용되는 주요 최종 효과체를 비교한다. 가격은 대략적이며 구성에 따라 다를 수 있습니다.
| End Effector | Type | DOF | Price | 적재 하중 / 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 | — | 원격조작 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 손가락 민첩 로봇 손 | 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 | ~$1,500 | ~0.3 kg | Delicate object handling, food industry |
선택 방법: 최종 효과자 선택 결정 나무
올바른 최종 효과자를 선택하려면 작업 요구 사항이 지갑 기능에 맞게 됩니다. 이 결정 과정을 따르십시오.
첫 번째 단계: 객체 집합을 정의 하십시오
- 평면이 있는 단단한 물체 (박스, 실린더, 판) → 평행 턱잡기 또는 진공
- 손가락 재착재가 필요한 다양한 모양 (기구, 불규칙한 부품) →
한 손 - ** 섬세하거나 변형 가능한 물체** (식품, 직물, 생물학적 샘플) → 부드러운 지갑 또는 촉각 센서링 지갑
- ** 평평하고 비포러스 표면** (금속판, 유리판, 카드보드) → 진공 흡수
- 철금 부품 → 자기 끝 효과
2단계: 통제 방법 을 고려 하십시오
- ** 클래식 운동 계획 (MoveIt, 궤도 최적화) **: 평행 턱잡이가 가장 쉽게 통합된다.
- ** 모방 학습 (ACT, Diffusion Policy) **: 1 DOF의 병렬 턱잡이는 최소한의 행동 공간 확장이 필요합니다.
한 손은 16 22 DOF로 행동 크기를 증가시켜 3 10x 더 많은 시범이 필요합니다. - 강력 학습:
손이 우수한 것이 좋습니다. RL는 시뮬레이션 (IsaacGym, MuJoCo) 를 통해 높은 DOF 제어 학습에 탁월하다. - ** 텔레오퍼레이션**: 최종 효과자를 입력 장치와 일치합니다. 병렬 턱잡이가 트리거/ 버튼 입력과 결합됩니다. 덱스테르한 손에는 [Paxini Gen3] (
T6 ) 또는 시력 기반 손 추적 등의 장갑 기반 입력가 필요합니다.
단계 3: 예산 및 시간표
- 3,000달러 이하: 오카 핸드 (~2,000달러), LEAP 핸드 (~2,000달러), OnRobot RG2 (~3,000달러), 페스토 소프트 랩 (~1,500달러)
- ** 3,000$~ 10,000$**: 로보티크 2F-85 (~ 4,500$), 알레그로 핸드 (~ 4,500$), 로보티크 2F-140 (~ 5,500$)
- $10,000~$100,000: 바렛 손 (~$60,000), 맞춤형 촉각 손
- ** 100,000 달러+**: 그림자 우아한 손 (150,000 달러+)
예산에 맞는 연구실에서는 2000달러에 [오르카 핸드]
오카 손 깊이 잠수
오르카 핸드 (RCSV) 는 저렴한 조작 연구를 위해 설계된 17DOF 오픈소스 유능한 로봇 손이다. RCSV는 오르카 핸드를 휴대하고 OpenArm 및 DK1 플랫폼으로 미리 조립된 구성을 제공합니다.
사양
| 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) |
왜 오카 손 을 연구 하는 것 입니까?
오르카 핸드 (Orca Hand) 은 현명한 손 시장의 중요한 격차를 채우고 있다. 이 제품 출시 이전에는 두 가지 선택지가 있었다. 비싼 상업용 손 (알레그로용 4,500달러 이상, 그림자용 150,000달러 이상) 또는 사용자 지정 솔루션을 조립하는 것.
- ** 오픈소스 디자인**: GitHub에서 사용할 수 있는 전체 CAD 파일, 펌웨어 및 SDK. 손 기하학을 수정하거나 사용자 지정 손가락 끝을 추가하거나 추가 센서를 통합할 수 있습니다.
- ** 규모로 저렴**: 한 손당 ~ $2,000, 양손 설정 (두 손) 는 단일 알레그로 손보다 $4,000
덜 비용입니다. - MuJoCo 시뮬레이션: IsaacGym 또는 MuJoCo에서 직접 훈련받은 RL 정책들을 sim-to-real 전송할 수 있는 검증된 MJCF 모델이 포함되어 있습니다.
- ** 파이썬 SDK**: 간단한 파이썬 API를 사용하여 모든 17 개의 관절을 제어하십시오. 위치, 속도 및 토크 제어 모드가 지원됩니다.
- ** 모방 학습**: [ACT]
T8 ) 와 LeRobot 통합을 통해 전파 정책과 작동합니다. [Paxini Gen3 장갑] T9 ) 와 결합하여 텔레오퍼레이션 데이터 수집을 위해 작동합니다.
오커 핸드 파이썬 SDK 예제
# 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()
대회 개요
오르카 핸드 선박은 RCSV에서 조립되었지만 DIY 키트 (~ $ 800) 는 제작 및 사용자 정의를 선호하는 연구소들에 사용할 수 있습니다. 조립은 약 4~6시간이 소요되며 다음과 같은 것이 필요합니다.
- 3D 프린트 된 손가락 세그먼트 (STL 파일 제공, PLA 또는 PETG 추천)
- 17 Feetech STS3215 세르보 (킷에 포함된)
- TTL 시리얼 버스 케이블링 리너스 (가 포함된)
- 손목 장착 플랜지 (ISO 9409-1 또는 사용자 지정 어댑터와 호환되는)
- 기본 도구: 작은 필립스 스크로브라이버, 헥스 키, 와이어 스트립터
파크시니 제3 제너스 터클 류
파크시니 Gen3은 현명한 조작 훈련 데이터를 수집하기 위해 설계된 센서화된 텔레오퍼레이션 장갑 시스템입니다. 그것은 손가락 관절 위치와 접촉력을 실시간으로 캡처하고, 오카 손과 같은 현명한 손의 정책을 훈련하는 데 필요한 풍부한 시범 데이터를 제공합니다.
핵심 능력
- 손가락 추적: 임베디드 플렉스 센서와 IMU를 사용하여 100 Hz에서 인간의 손의 20 DOF (관절 4 × 5 손가락) 를 모두 캡처합니다.
- ** 촉각 피드백**: 압력에 민감한 손가락 끝은 각 손가락 끝에서 접촉력 분포를 보고합니다. 이 데이터는 힘에 대한 인식 조작 정책을 훈련시키는 데 사용될 수 있습니다.
- 저연시간: 손 동작에서 데이터 기록까지 10 ms 이하의 엔드-투-엔드 지연시간, 반응형 텔레오퍼레이션에 필수적이다.
- ** 무선**: 블루투스 5.0 연결은 케이블
을 제거하여 데이터 수집 중에 자연스러운 손 이동을 허용합니다. - 데이터 형식: HDF5 및 LeRobot 데이터 파이프라인과 호환되는 시간표형 관절 각과 촉각 매리 출력.
데이터 수집 작업 흐름
Paxini Gen3 장갑으로 현명한 조작 데이터를 수집하는 일반적인 작업 흐름:
- 장갑을 운영자의 손에 맞추어 놓으십시오 (2분, 소프트웨어로 안내됩니다).
- 학습된 또는 운동적인 재목표 모델을 사용하여 장갑 관절 각을 목표 로봇 손 (오르카 손) 관절 위치로 지도하십시오.
- 운영자는 장갑을 착용하고 작업을 수행하는 동안 로봇 손은 실시간으로 움직임을 반영합니다.
- 카메라와 복합코더는 전체적인 시범을 기록합니다. 이미지, 로봇 복합 상태, 그리고 행동.
- 데이터는 HDF5 형식으로 저장되며 [ACT]
T10 ) 또는 전파 정책 훈련에 준비됩니다.
RCSV는 [데이터 수집 서비스] (
통합 가이드
최종 효과자 (End Effector) 에 대한 ROS2 통합
대부분의 현대 엔드 에펙터들은 ROS2 드라이버를 제공한다. 여기 ROS2와 함께 Orca Hand의 최소 통합 예가 있습니다.
# 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()
오커 손 장착
OpenArm 1 는 표준 플랜지 어댑터를 통해 오카 핸드를 수용합니다. 통합 단계:
- 물리적 설치: 4 M5 볼트를 사용하여 오커 핸드의 손목 플랜지를 오커 핸드의 도구 플랜지로 연결합니다. 어댑터 판 (RCSV-집합된 단위로 포함) 은 오커 핸드의 50 mm 볼트 원을 오커 핸드의 40 mm 패턴으로 변환합니다.
- 시리즈 버스 가이어링: 오르카 핸드의 TTL 시리즈 케이블을 팔의 케이블 체인을 통해 기지로 이동시켜 제어 컴퓨터의 USB-to-TTL 어댑터에 연결합니다. 팔과 손이 버스 충돌을 피하기 위해 별도의 시리즈 버스 사용합니다.
- ** 소프트웨어 통합**: 팔과 손은 별도의 컨트롤러 노드로서 실행된다. 조정 노드는 50 Hz에서 동기화된 명령을 게시한다. 전체 동작 크기는: 6 (팔) + 17 (손) = 23 DOF.
- ** 텔레오퍼레이션 설정**: 팔 제어용 OpenArm 및 손 제어용 Paxini Gen3 장갑을 사용한다. 두 데이터 스트림은 동기화되고 함께 기록된다.
렉스테로스 조작을 위한 레로봇 데이터셋 형식
레로봇을 통해 능숙한 조작을 위한 데이터를 수집할 때 데이터 세트 구조는 손 관절 상태를 포함하도록 확장됩니다.
# 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
최종 효과자 호환성 매트릭스
모든 최종 효과는 모든 로봇 팔과 작동하지는 않습니다. 이 매트릭스는 RCSV를 통해 사용할 수 있는 테스트 및 지원된 조합을 보여줍니다:
| 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) |
비용 분석: 사용 사례별 시스템 전체 비용
조작 연구 시스템에 대한 예산을 작성할 때 최종 효과는 더 큰 투자의 한 부분입니다. 일반적인 구성에 대한 전체 시스템 비용은 다음과 같습니다:
| 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 |
고급 주제
촉각 감지 통합
손잡기나 손잡이에 촉각 센서를 추가하면, 텔레오퍼레이션 중에 수집된 데이터를 풍부하게 할 수 있습니다. 2026년 가장 실용적인 옵션은:
- GelSight / GelSight Mini: 고해상도 접촉 이미지를 생성하는 광학 촉각 센서. 평행 턱잡기 손가락 끝에 설치. 센서당 ~ $ 300. 이미지 처리로 상세한 기하학 및 힘 정보를 제공합니다.
- **DIGIT (Meta) **:
스이트와 비슷한 컴팩트한 광학 촉각 센서이지만 작고 저렴하다 (~$200). 오픈소스 하드웨어 설계. 촉각 가이드 포착에 대한 연구에 적합합니다. - **Paxini Gen3 (융합) **: Paxini 장갑을 원격 수술을 위해 사용할 때, 촉각 데이터는 손 자세 데이터와 함께 자동으로 캡처되며, 별도의 센서 통합의 필요성을 제거합니다.
- **BioTac (SynTouch) **: 다 모달 터틸 센서, 힘, 진동 및 온도를 측정하는. 그림자 손과 알레그로 손에서 사용된다. ~ 손가락 끝당 5,000 달러. 사용 가능한 가장 풍부한 터틸 신호를 제공하지만 높은 비용으로.
엑스터러스 손들을 위한 시밍
시뮬레이션 및 실제 하드웨어로 전송하는 데 있어서 숙련된 손들을 위한 훈련 정책은 실용화되고 있다. 오카 핸드의 포함된 MuJoCo 모델은 다음과 같은 작업 흐름을 가능하게 한다.
- MuJoCo 또는 IsaacGym에서 도메인 무작위화를 사용하여 정책을 훈련하십시오 (분열, 객체 질량, 액추에이터 역학).
- 견고성을 확인하기 위해 1,000+ 에피소드를 시뮬레이션으로 평가합니다.
- 0 또는 최소 정렬을 통해 실제 오카 핸드에 배치하십시오.
- 선택적으로 50
100개의 실제 에피소드를 수집하고 실제 실적 성능을 향상시키기 위해 [ACT] T18 ) 를 통해 정렬하십시오.
자주 묻는 질문
로봇 최종 효과는 무엇일까요?
로봇 최종 효과는 로봇 팔의 끝부분에 붙여져 있는 장치로, 환경과 상호작용한다. 로봇의 "손"이다. 일반적인 유형은 평행 턱잡기, 능숙한 다 손가락잡기, 부드러운잡기, 진공 흡수컵, 자기잡기 등이다. 최종 효과의 선택은 조작 시스템에서 가장 중요한 결정 중 하나입니다. 로봇이 어떤 객체를 처리하고 어떤 작업을 수행 할 수 있는지 결정합니다.
평행잡기와 현명한 손: 어느 쪽을 선택해야 할까요?
생산 및 산업 자동화: 평행 턱잡이를 사용하십시오 (Robotiq 2F-85 또는 유사한). 제어하기가 더 간단하고, 더 신뢰할 수 있으며 광범위한 소프트웨어 지원이 있습니다. 현명한 조작, 손에서 재주정 또는 손가락 수준 제어가 필요한 작업에 대해 연구하려면 현명한 손을 사용하십시오 (오르카 손, LEAP 손). 능숙한 손은 더 많은 훈련 데이터와 더 복잡한 제어 기능을 필요로 하지만 병렬 지갑이 수행할 수 없는 작업을 가능하게 한다.
기존 로봇 팔에 오르카 핸드를 설치할 수 있나요?
오르카 핸드는 OpenArm 1 와 DK1 와 원산적으로 호환된다. 다른 팔 (UR5e, Franka, ViperX) 에 대해 플랜지 어댑터가 필요합니다. RCSV는 사용자 지정 어댑터를 제공하거나 통합에 도움을 줄 수 있습니다. 손은 별도의 TTL 시리즈 버스 (TTL) 를 통해 통신하므로 팔의 제어 시스템으로부터 전기적으로 독립적입니다.
숙련된 조작을 위해 얼마나 많은 훈련 데이터가 필요할까요?
17DOF 손 + 6DOF 팔 (23 총 DOF) 을 가진 ACT: 간단한 잡기 작업에 대한 500+ 시범 계획, 손에서 재주류에 대한 1,000+ 시범 계획.
모방 학습 연구에 가장 좋은 최종 효과는 무엇입니까?
빠르게 시작하기 위해: 간단한 병렬 턱잡이가 당신의 행동 공간에 1 DOF만 추가하고 최소한의 시범이 필요합니다. 최첨단 기술적인 조작 연구를 위해: 데이터 수집을 위한 Paxini Gen3 장갑을 가진 Orca Hand는 가장 좋은 가격-능력 비율을 제공합니다. RCSV의 [데이터 수집 서비스]
오케아 손 + 오픈아름 1만200달러/월
RCSV는 연구용 준비된 사전 조립된 로봇 팔 + 최종 효과자 구성을 제공합니다. 임대에는 설정, 캘리브레이션 및 기술 지원이 포함됩니다. 데이터 수집 서비스는 시범 데이터 세트를 필요로 하는 팀에 대해 2,500 달러에서 시작됩니다.