Совместное проектирование роботизированных кистей в задачах тактильного функционального взаимодействия с произвольными объектами манипулирования

С помощью роботизированных антропоморфных кистей, способных выполнять функциональные захваты, возможно использовать ручные инструменты и предметы повседневной жизни по прямому назначению, что устраняет необходимость в специализированной оснастке. Обоснован выбор параметров конструкции и рабочих поверхностей тактильных датчиков. Представлен метод системного проектирования таких кистей с тактильной обратной связью. Сначала формируется дискретное пространство проектных кандидатов на основе характеристик приводов и комплектующих. Затем выполняются планирование и верификация траекторий для функциональных захватов; кандидаты ранжируются по эвристической функции, отражающей метрики эффективности захвата. По результатам моделирования наилучшего варианта определяются размеры рабочих поверхностей фаланг и диапазон контактных усилий; синтезируются таксели — эластичные элементы рабочей поверхности тактильного датчика. Исследованы параметры, обеспечивающие компромисс между чувствительностью такселей и их числом, для каждого варианта оценена связь деформаций такселей с контактными усилиями. По результатам апостериорного анализа с учетом требований к диапазону измеряемых усилий и устойчивости к неполноте данных выбраны геометрические параметры датчика. Метод апробирован путем конструирования и тестирования опытного образца антропоморфной роботизированной кисти.

1. Paraschos A., Daniel C., Peters J. R., Neumann G. Probabilistic Movement Primitives // Advances in Neural Information Processing Systems. 2013. Vol. 26. Р. 2616–2624. DOI:10.5555/2999792.2999904.

2. Junge K., Hughes J. Spatially distributed biomimetic compliance enables robust anthropomorphic robotic manipulation // Communications Engineering. 2025. Vol. 4. Art. no. 76. DOI:10.1038/s44172-025-00407-4.

3. Griffa P., Sferrazza C., D’Andrea R. Leveraging distributed contact force measurements for slip detection: a physicsbased approach enabled by a data-driven tactile sensor // Proc. IEEE Intern/ Conf/ on Robotics and Automation (ICRA). 2022. P. 4826–4832. DOI:10.1109/ICRA46639.2022.9812186.

4. Ji J., Liu Y., Ma H. Model-Based 3D Contact Geometry Perception for Visual Tactile Sensor // Sensors. 2022. Vol. 22, N 17. P. 6470. DOI:10.3390/s22176470.

5. Huang L., Zhang H., Wu Z., Christen S., Song J. FunGrasp: Functional Grasping for Diverse Dexterous Hands // IEEE Robotics and Automation Letters. 2025. Vol. 10, N 6. DOI:10.1109/LRA.2025.3561573.

6. Chen G., Tang S., Xu S. et al. Intrinsic Contact Sensing and Object Perception of an Adaptive Fin-Ray Gripper Integrating Compact Deflection Sensors // IEEE Transactions on Robotics. 2023. Vol. 39, N 6. P. 4482–4499. DOI:10.1109/TRO.2023.3311610.

7. Cirillo A., Costanzo M., Laudante G., Pirozzi S. Tactile Sensors for Parallel Grippers: Design and Characterization // Sensors. 2021. Vol. 21, N 5. P. 1915. DOI:10.3390/s21051915.

8. Patel N., Sundaram S., Lee J. et al. SuperTac — tactile data super-resolution via dimensionality reduction // Frontiers in Robotics and AI. 2025. Vol. 12. DOI:10.3389/frobt.2025.1552922.

9. Choi S., Tahara K. Dexterous object manipulation by a multi-fingered robotic hand with visual-tactile fingertip sensors // ROBOMECH Journal. 2020. Vol. 7. Art. no. 14. DOI:10.1186/s40648-020-00162-5.

10. Zhu M., Li Q., Wang T. et al. Compliant Force Control for Robots: A Survey // Mathematics. 2025. Vol. 13, N 13. P. 2204. DOI:10.3390/math13132204.

11. Ma Y., Agarwal A., Liu S. Q., Yuan W., Adelson E. H. Scalable Simulation-Guided Compliant Tactile Finger Design // Proc. IEEE 7th Intern. Conf. on Soft Robotics (RoboSoft). 2024. P. 1068–1074. DOI:10.1109/RoboSoft60065.2024.10521969.

12. Peng J.-C., Yao S., Hauser K. 3D Force and Contact Estimation for a Soft-Bubble Visuotactile Sensor Using FEM // arXiv:2310.11372 [cs.RO]. 2023. https://doi.org/10.48550/arXiv.2310.11372.

13. Agarwal A., Mirzaee M. A., Sun X., Yuan W. A Modularized Design Approach for GelSight Family of Vision-Based Tactile Sensors // arXiv:2504.14739 [cs.RO]. 2025. https://doi.org/10.48550/arXiv.2504.14739.

14. Calli B., Singh A., Bruce J., Walsman A., Konolige K., Srinivasa S., Abbeel P., and Dollar A. M. Yale-cmu-berkeley dataset for robotic manipulation research // The International Journal of Robotics Research. 2017. Vol. 36, N 3. P. 261–268.

15. Wang R., Zhang J., Chen J., Xu Y., Li P., Liu T., Wang H. DexGraspNet: A Large-Scale Robotic Dexterous Grasp Dataset for General Objects Based on Simulation // Proc. IEEE Intern. Conf. on Robotics and Automation (ICRA). 2023. DOI:10.1109/ICRA48891.2023.10160982.

16. Wang Q., Ulloa P. M., Burke R., Bulens D. C., Redmond S. J. Robust learning-based incipient slip detection using the PapillArray optical tactile sensor for improved robotic gripping // IEEE Robotics and Automation Letters. 2024. Vol. 9, N 2. P. 1827–1834. DOI: 10.1109/LRA.2023.3347141.