机器人终端效应器和抓住器:研究实验室的完整比较指南 (2026)
进行操作研究,比较机器人终端效应器:并行抓住器,巧妙的手,触觉传感器. 规格,定价和与OpenArm,ViperX和移动ALOHA系统兼容性.
综合对比机器人终端效应器用于操纵研究,包括平行
机器人终端效应器的类型
终端效应器是决定机器人实际上能做什么的组件.一个50万美元的机器人臂带错误的抓住器对你的任务毫无用处,而一个4500美元的手臂带正确的终端效应器可以非常有效.本指南涵盖了研究和生产中使用的五大类终端效应器,包括具体的产品建议和定价.
杆抓手 (2-指)
工业和研究机器人工作马.两个刚性手指在平行上移动,通过对立侧的力量来抓住物体.简单,可靠,适合平面或圆形表面的物体.
单个动力驱动器 (电动机或气动
强度:高可靠性,快速循环时间 (0.5
限制:不能操纵需要手指重新定位的物体 (手动操纵).仅限于适合中纹宽度的物体.与可变形的物体 (布料,袋子,食物) 斗争.
多指的手
机器人手,有3
它们的运作方式:每只手指都有2
强度:类似于人类的技巧,可以处理各种对象几何,可在手中操纵,对于工具使用,组装和对象重定向等任务至关重要.
限制:复杂的控制 (高维动作空间),与简单的抓住器相比昂贵,机械脆弱,需要更多的训练数据来学习政策.
最适合:精
软且符合要求的抓住器
它们的运作方式:
强度:对微妙物体来说是固有的安全性,不需要定制的指纹设计,在接触时自然符合,适用于食品处理和生物样本.
限制:较硬的抓住器的抓住力较低,动力动力速度较慢 (
最适合:食品处理,农业采集,医疗/外科应用,脆弱物体操纵.
触摸和感觉的抓住器
接手或手套配备触觉传感器,可以测量接触力,压力分布,有时质量.
它们的运作方式:触觉传感器 (阻力,容量,光学或气体测量) 嵌入了抓住器的手指尖或掌上.在抓住和操纵过程中,它们报告了力量向量,接触区域和滑动检测.这些数据输入到机器人的控制循环中,用于反应性抓住或用于学习方法的训练数据集.
强度:可使有力操纵,检测抓稳定性和初始滑动,为学习的政策提供丰富的训练数据,这些数据对于处理脆弱或可变形的物体至关重要.
限制:增加数据管道的复杂性,需要传感器校准,成本更高,随着时间的推移,一些传感器类型会降低.
最适合:远程操作数据收集,对力敏感任务,可变形的对象操纵,触觉感知研究.
排泄物和磁性终结效应
无接触或单点接触
**真空 (吸管杯) **:在平面或稍微曲线的表面上打印,并通过负压力保持.极速 (在0.1
磁性:使用永久磁铁或电磁铁来抓住铁金属物体. 零故障抓住相容材料,即时选择/位置,但仅限于铁磁物体.
最适合:仓库订单的交付,金属
终效率比较表
下面的表将2026年机器人研究实验室中使用的主要终端效应器进行比较.
| End Effector | Type | DOF | Price | 负载 / 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 | — | 遥操作 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 灵巧手 | 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 |
如何选择:最终效应选择决策树
选择合适的终端效应器需要将任务要求与抓住器的能力匹配.
步骤1:确定你的目标
硬物体,表面平面 (盒子,,盘子) →平行 关或真空 - 需要把手指重新定位的各种形状 (工具,不规则的部件) →
手 - 微弱或可变形的物体 (食品,织物,生物样本) →软
或触觉感应的 - 平面,不孔孔的表面 (金属板,玻璃,纸
) →真空吸气 - 铁金属零部件 →磁性终端效应器
第二步:考虑控制策略
- **经典运动规划 (MoveIt,轨道优化) **:平行
关键最容易整合.单个DOF,在ROS/ROS2中支持良好. - **模仿学习 (ACT,扩散政策) **:具有1DOF的平行
jaws grippers需要最小的行动空间扩展. 精 的手增加了16 22DOF的行动尺寸,需要3 10倍的示范. - ** 强化学习**: 优秀的手
RL 通过模拟学习高DOF控制能力 (IsaacGym,MuJoCo).手的Sim-to-real转移正在迅速提高. - 电话操作**:将终端效应器与输入设备匹配.并行
jaws 接头与触发器/按 输入配对. 精 的手需要手套的输入,如[Paxini Gen3] T6 ) 或视力手指跟踪.
步骤3:预算和时间表
- 在3000美元以下:奥卡手 (~2000美元),LEAP手 (~2000美元),OnRobot RG2 (~3000美元),Festo软抓 (~1500美元)
- 3000美元~10,000美元:机器人2F-85 (~4,500美元),阿莱格罗手 (~4,500美元),机器人2F-140 (~5,500美元)
- $10,000~$100,000:巴雷特手 (~$60,000),定制触摸手
影 手 (价值15万美元)
对于预算的研究实验室,价格约为2000美元,为精巧的操纵研究提供了最佳价值.
鱼手深潜
欧卡手是17DOF开源的巧妙机器人手,旨在为经济适用的操纵研究而设计.RCSV携带了奥卡手,并提供了OpenArm和DK1平台的预装配置.
规格
| 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) |
鱼手为何需要研究
- 开源设计:在 GitHub 上可使用完整的CAD文件,固件和SDK.您可以修改手工几何,添加自定义指尖或集成额外的传感器.
- 可负担的尺寸:每手约2,000美元,双手设置 (两手) 的成本低于单个Allegro手4000美元.
- MuJoCo模拟:包含一个验证的MJCF模型,可直接在IsaacGym或MuJoCo培训的RL政策进行真实转移.
- ** Python SDK**:使用简单的 Python API 控制所有 17 个关节. 支持位置,速度和扭矩控制模式.
- 与模仿学习:通过LeRobot集成与[ACT]
T8 ) 和传播政策工作.与[Paxini Gen3手套] T9 ) 进行对应,用于远程操作数据收集.
卡手 python SDK 示例
# 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()
会议概况
机器人手机从RCSV组装,但一个DIY套件 (~800美元) 适用于更喜欢建造和定制的实验室. 组装需要大约4
- 3D打印的指段 (提供STL文件,建议 PLA或 PETG)
- 17 足科技 STS3215 伺服器 (包含在套装中)
- 电缆连接线 (含)
- 腕部安装
(符合ISO 9409-1或定制适配器) - 基本工具:小的菲利普斯螺旋
机, 旋键,线条
帕克西尼Gen3触摸手套
帕克西尼Gen3是一个传感器式的远程操作手套系统,旨在收集精巧的操纵训练数据.它实时捕获了指关节位置和接触力,提供了需要训练技巧的手掌的丰富的示范数据.
关键能力
- 指纹跟踪:通过嵌入式柔性传感器和IMU,在100Hz下捕获人类手的20DOF (4关节 × 5指)
- 触摸反
:敏感指尖报告每个指尖的接触力分布. 这些数据可用于训练意识到力量的操纵策略. - 低延迟:从手动到数据记录的端到端延迟不到10ms,对于响应式电话操作至关重要.
- 无线:蓝牙5.0连接消除了电缆
接,允许在数据收集过程中自然移动手. - 数据格式:输出与HDF5和LeRobot数据管道兼容的时间标记的关节角和触觉阵列.
数据收集工作流程
通过Paxini Gen3手套收集精巧的操作数据的典型工作流程:
- 按操作员的手臂进行校准 (软件导航2分钟).
- 通过学习或动态重定向模型,绘制手套关节角与目标机器人手 (Orca Hand) 关节位置.
- 操作员戴着手套执行任务,而机器人手在实时显示运动.
- 摄像机和联合编码器记录了完整的演示:图像,机器人联合状态,以及行动.
- 数据以 HDF5格式保存,准备用于 [ACT]
T10 ) 或传播政策培训.
RCSV为研究团队提供Paxini Gen3手套作为我们 [数据收集服务]
整合指南
终端效应器的ROS2集成
现在,大多数现代终端效应器都提供了ROS2驱动器.
# 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()
开臂 + 鱼手安装
通过标准
- 物理安装:使用4个M5螺栓将奥尔卡手腕
带连接到OpenArm工具 带.适配板 (包括RCSV组装的单元) 将OpenArm的50mm螺栓圈转换为奥尔卡手臂的40mm图案. - ** 连接巴士线程**:通过手臂的电缆链路由奥尔卡手中的TTL连接线程线程到底部.连接到控制计算机上的USB到TTL适配器.手臂和手使用单独的连接巴士以避免巴士冲突.
- 软件集成:手臂和手臂作为独立的控制节点运行.一个协调节点在50Hz上发布同步命令. 总动作尺寸:6 (手臂) +17 (手) =23DOF.
- 远程操作设置:使用开臂控制器和Paxini Gen3手套控制器.
勒罗бот数据集格式用于精的操纵
在收集数据时,使用LeRobot进行精巧的操作,数据集结构扩大到包括手关状态:
# 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
终端效果器兼容性矩阵
不是每个终端效应器都能与每个机器人臂进行操作.
| 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) |
成本分析:按使用情况计算的系统总成本
对于操纵研究系统的预算,最终效应是更大的投资的一部分.
| 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 |
高级专题
触觉感觉集成
任何手或手柄上添加触觉传感器,可以使在远程操作中收集的数据更加丰富.
- GelSight / GelSight Mini:可产生高分辨率接触图像的光学触觉传感器. 按
在平行 jaws grippers 的指尖上. 每个传感器每美元. 通过图像处理提供详细的几何和力信息. - **DIGIT (Meta) **:类似于GelSight的光学触觉传感器,但较小且更便宜 (~200美元).开源硬件设计.适合触觉指导抓取的研究.
- **Paxini Gen3 (集成) **:在使用Paxini手套进行远程手术时,触觉数据自动被捕获与手势数据一起,消除了单独传感器集成的必要性.
- **BioTac (SynTouch) **:多模式触觉传感器测量力,振动和温度.用于影子手和阿莱格罗手.每指尖为5,000美元.提供了最丰富的触觉信号,但成本很高.
适合手的真实模拟
培训技巧的手在模拟和转移到现实硬件的政策正在变得实用.
- 在 MuJoCo 或 IsaacGym 中运行一个政策,使用域名随机化 (摩擦,对象质量,执行器动态).
- 通过模拟评估1000多个集,以验证强度.
- 部署在真正的奥卡手上, 零或最小的细调.
- 选择性是收集50
100个真实集,并用[ACT] T18 ]进行细调,以提高现实世界表现.
常见的问题
机器人终端效应器是什么?
机器人终端效应器是与环境相互作用的机器人臂端附着的装置.它是机器人的"手".常见的类型包括平行
双手对手:我应该选择哪个?
对于生产选择和工业自动化:使用平行
我可以把奥卡手安装在现有的机器人手臂上吗?
我需要多少训练数据才能巧妙操纵?
对于 ACT 具有17DOF手臂+6DOF手臂 (23DOF总数):计划500多个示范,用于简单的抓取任务,1000多个用于手中的重定向.另有,预训练在模拟 (10,000+集) 和精细调100
模仿学习研究的最佳最终效果是什么?
为了快速开始:一个简单的平行
租奥尔卡手 + 开臂从每月1,200美元
RCSV提供预装机器人臂+终端效应器配置,准备好进行研究.租