PDS Joint: A Parametric Double-Spiral Joint Tailored for Dexterous Hands
作者: Haoyang Li, Yibo Wen, Yixiang Fan, Yiheng Xu, Yufeng Yue
分类: cs.RO, cs.AR
发布日期: 2026-06-23
💡 一句话要点
提出PDS关节以解决灵巧手的运动与感知问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 合规关节 灵巧手 方向刚度 本体感觉 参数化设计 机器人技术 人机交互
📋 核心要点
- 现有合规关节在实现大幅度运动的同时，难以保持方向依赖的刚度和可靠的本体感觉。
- 本文提出的PDS关节通过参数化双螺旋设计，实现了多种变形模式下的方向刚度调控。
- 实验结果表明，基于学习的多层感知器映射在外展/内收运动中的误差降低了41.6%。
📝 摘要（中文）
合规关节能够为灵巧手提供安全性和适应性，但在保持关节特定、方向依赖的刚度和可靠的本体感觉的同时，实现大幅度的人体运动仍然具有挑战性。本文提出了PDS关节，这是一种参数化双螺旋合规关节，能够系统地塑造多种变形模式下的方向刚度，包括屈伸、外展内收和旋前旋后。我们使用阿基米德螺旋和对数螺旋模板实例化该关节，并引入不对称比以定制刚度分布，从而增强抓握稳定性和抵抗过度伸展。为了使关节在大变形下可用，我们共同设计了嵌入式感知系统，并提出了一种基于学习的校准流程，将原始感应信号映射到关节状态。实验表征了几何参数下的刚度景观，并展示了不对称性对侧向支撑的非单调依赖性，强调了参数调优的重要性。
🔬 方法详解
问题定义：本文旨在解决灵巧手关节在大幅度运动中保持方向依赖刚度和可靠本体感觉的难题。现有方法在这方面存在不足，难以实现高效的运动控制和感知。
核心思路：论文提出的PDS关节通过参数化双螺旋结构，能够在多种变形模式下系统地调节方向刚度，从而增强抓握的稳定性和抵抗过度伸展的能力。
技术框架：整体架构包括关节设计、嵌入式感知系统和基于学习的校准流程。首先，利用阿基米德和对数螺旋模板设计关节；其次，嵌入感知系统以获取关节状态；最后，通过学习算法校准感知信号与关节状态之间的映射关系。
关键创新：最重要的技术创新在于引入了不对称比以定制刚度分布，并通过学习算法显著提高了关节状态估计的准确性，尤其是在复杂的外展/内收运动中。
关键设计：在设计中，参数设置包括不对称比的选择和几何参数的调优；损失函数采用了适应性学习策略，以优化关节状态的估计精度；网络结构则使用了多层感知器（MLP）来实现信号映射。
🖼️ 关键图片
📊 实验亮点
实验结果显示，PDS关节在外展/内收运动中的关节状态估计误差较传统曲线拟合方法降低了41.6%。此外，刚度景观的表征揭示了不对称性对侧向支撑的非单调依赖性，强调了参数调优的重要性。
🎯 应用场景
该研究的潜在应用领域包括人形机器人、仿生手和医疗辅助设备等。通过提升灵巧手的运动能力和感知精度，PDS关节能够在复杂环境中实现更安全和高效的人机交互，未来可能在服务机器人和康复机器人中发挥重要作用。
📄 摘要（原文）
Compliant joints can embed safety and adaptability into dexterous hands, but achieving large-stroke anthropomorphic motion while maintaining joint-specific, directiondependent stiffness and reliable proprioception remains challenging. This paper presents the PDS joint, a parametric doublespiral (PDS) compliant joint that enables systematic shaping of directional stiffness across multiple deformation modes, including flexion/extension, abduction/adduction, and pronation/supination. We instantiate the joint using Archimedean and logarithmic spiral templates for different hand joints and introduce an asymmetry ratio to tailor stiffness distributions for both grasp stability and hyperextension resistance. To make the joint practically usable under large deformation, we co-design embedded inductive proprioception and propose a learningbased calibration pipeline that maps raw inductive signals to joint states using ArUco-marker tracking. Experiments characterize the stiffness landscapes across geometric parameters and demonstrate a non-monotonic dependence of lateral support on asymmetry, indicating the importance of principled parameter tuning. For joint-state estimation in the most challenging abduction/adduction motion, a learned multilayer-perceptron (MLP) mapping reduces the error compared with conventional curve fitting by 41.6%. Finally, we integrate the proposed joints into an open-source dexterous hand as a demonstration platform, on which the hand grasps a set of nine everyday objects and performs safe, contact-rich human-involved interactions.