GL-robot 原题图与应用场景示意图
 

在机器人抓取与操作领域，长期存在核心矛盾：高负载与精细操作难以兼顾、力感知依赖昂贵触觉传感器、机械结构与智能控制脱节。浙江大学GraspLab研发的复合多连杆二指夹爪GL-Robot，以“AI+mechanism”深度融合为核心路径，围绕“手机构优化、手指力感知、抓取与操作规划”三大维度实现突破，更创新性验证了关键观点——灵巧手与触觉感知可解耦分离，无需触觉传感器即可实现高精度力控，为机器人抓取技术开辟了低成本、高适应性的新赛道。

GL-robot 抓取效果动图
 

▍手机构优化：耦合-解耦联动，筑牢智能抓取硬件根基

机械结构是机器人抓取的核心载体，GL-Robot的机构创新突破了传统欠驱动抓手的性能瓶颈，为“AI赋能”提供了高效适配的硬件基础。

• 采用单执行器驱动的两指三关节欠驱动架构，通过独创的“堆叠四连杆叠加可解耦机制”，实现关节运动的耦合协同与解耦自适应。这种设计既简化了驱动复杂度，又通过固定平行四杆结构分担抓取反力，降低执行器负载，兼顾了结构简洁性与力传递效率。

• 构建多模态抓取适配能力，针对不同尺寸、形状物体智能切换抓取模式：面对螺丝、笔等小型工件时，前两指节同步运动实现“高精度平行抓取”；接触较大或不规则物体时，近端指骨先触停，连杆机构自动解耦，驱动中段与远端指节持续弯曲形成“全域包络抓取”，通过“力闭合”原理保障抓取稳定性。

• 关节集成扭转弹簧与机械限位设计，既维持指骨初始姿态，避免重力与惯性导致的非期望运动，又能在释放物体时自动复位，实现能量高效利用与运动精准控制，为后续AI感知与规划提供了稳定的机械响应基础。

GL-robot 平行抓取与包覆抓取
 

GL-robot 基于双四连杆机构的复合五连杆结构
 

▍手部多模态感知：无传感力控突破，验证触觉-灵巧手解耦核心观点

传统认知中，灵巧手的精细操作依赖触觉传感器实现力反馈，但GL-Robot通过“机械特性+AI算法”的协同创新，构建了无传感多模态感知体系，彻底打破“触觉传感器与灵巧手绑定”的固有逻辑。

• 提出无传感力感知框架，摒弃传统力传感器的硬件依赖，利用电机电流与抓取负载的直接映射关系，通过电流信号解析外部接触状态。当夹爪接触物体时，阻力变化会引发电流波动，这些波动中蕴含着抓取模式切换、关节姿态、接触力等关键信息。

• 引入长短期记忆网络（LSTM）实现AI赋能的信号解析，通过大量抓取数据训练模型，让AI学习电流变化与手指关节角度、接触力的深层关联。结合逆运动学模型与雅可比矩阵映射，完成“电流感知-AI解析-姿态重构-力学计算”的闭环流程，力控精度显著优于传统数理统计方法。

• 实现多场景力感知适配：在小力操作场景中，力控精度低至0.1N，平均误差不超过0.61N，可安全抓取鸡蛋、芯片等易碎品；在重载场景中，通过电流-力直接控制，最大承载力达250N，能稳定抓取盛满水的水桶等重物，证明无触觉传感器同样可实现宽范围、高精度力控。

GL-robot 基于LSTM网络的精准抓取力感知
 

▍抓取与操作规划：分层双模策略，实现AI-机械协同决策

基于优化的机械结构与多模态感知能力，GL-Robot构建了智能化抓取与操作规划体系，通过分层控制策略适配不同任务需求，彰显“AI+mechanism”的协同优势。

• 建立“位置-力”与“电流-力”双模控制架构**，针对不同任务场景动态切换规划逻辑：精细操作时，采用位置环结合逆运动学微调，利用指尖柔性垫片的微小形变实现轻柔力控，避免损伤易碎物体；重载作业时，直接通过AI驱动的电流信号监测，精准控制抓取力，保障高负载下的稳定性。

• 规划逻辑与机械特性深度耦合，通过预先建立的夹爪力学模型与分支计算方法，应对不同接触顺序的复杂场景。模型分析表明，抓取稳定性主要受远端指节接触点控制，初始位置偏差影响较小，实现了力闭环控制与接触适应的精准匹配。

• 具备全域抓取适配规划能力，可稳定握持从轻薄硬币到边长超10厘米立方体的各类物体，通过姿态自适应贴合电钻、眼镜、酒瓶等不规则形状工件，有效防止滑移，展现出极强的场景鲁棒性。

GL-robot 精准力控抓取实验与多样性泛化抓取测试
 

▍核心价值与未来展望

GL-Robot的突破核心在于“AI+mechanism”的深度融合：机械结构的耦合-解耦创新为抓取提供了高效硬件基础，AI算法则赋能无传感感知与智能规划，二者协同而非简单叠加，让传统刚性夹爪升级为智能自感知组件。其提出的“灵巧手与触觉感知解耦”观点，颠覆了“力控必须依赖触觉传感器”的传统认知，为低成本、高可靠性的抓取方案提供了理论与实践支撑。

在商业化层面，GL-Robot无需昂贵力传感器的设计大幅降低成本，同时在负载能力、力控精度、抓取范围等关键指标上表现优异，具备与Robotiq85等商用夹爪比肩的潜力，可广泛应用于工业装配、物流分拣、家庭服务等领域。未来，随着AI驱动的机构设计、感知与控制协同优化持续推进，机器人抓取与操作技术将进一步突破场景限制，在工业智能化与生活服务自动化中发挥更核心的作用。

GL-robot工业场景工具与材料抓取示意
 

本文完全由GraspLab独立研究撰写而成，李积豪、朱科祺，郭昊天。

▍机器人抓取实验室（Grasp Lab/GL）介绍

机器人抓取实验室（Grasp Lab）是浙江大学机械工程学院聚焦于机器人抓取的核心课题组，定位为“感知-推理-操作”全链条技术突破与工程化落地的创新平台。实验室以解决机器人在复杂真实场景下的高效环境理解、抓取轨迹智能推理及高可靠物理交互这一核心挑战性问题为目标，致力于构建面向家庭服务、超市物流、仓储分拣及工业制造等多场景的鲁棒操作优化系统，为智能机器人实现通用化、灵巧化抓取与操作提供高性能解决方案。

研究团队通过数学建模、灵巧手设计与控制、视觉感知融合及机器人自监督学习等前沿技术路径开展研究，已在国际机器人领域顶级期刊和会议上发表一系列高质量成果，包括IJRR、T-RO、NC、RSS等权威期刊与顶级会议

本文完全由GraspLab独立研究并撰写而成，作者为李积豪、朱科祺，郭昊天，通讯作者为实验室负责人董会旭。董会旭博士是国家高层次青年人才计划（“海外优青”），浙江大学机械工程学院新百人计划研究员/博士生导师，长期深耕机器人感知与抓取领域，为实验室的学术研究与团队建设奠定了坚实的学科基础和国际视野。