Koala Gripper: Co-designing Robotic Grippers and Data-Capture Devices for Scaling Dexterous Manipulation Learning
作者: Amar Hajj-Ahmad, Zubin Kremer Guha, Tim Fofonoff, Zhi Ern Teoh, Ciarán T. O'Neill, Ben Thacher, Igor Fala, Vidullan Surendran, Murphy Wonsick, Peter Whitney, David Watkins
分类: cs.RO
发布日期: 2026-08-20
备注: Paper website: http://koalagripper.rai-inst.com Paper video: http://www.youtube.com/watch?v=ZoygFCWAVhg
💡 一句话要点
提出Koala Gripper以解决灵巧操作学习数据收集问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人夹具 数据收集 灵巧操作 共设计框架 力优化机制 用户中心设计 自动化技术
📋 核心要点
- 现有的数据收集设备设计往往与现有机器人夹具的形态相匹配，导致人体工程学和操作性能的牺牲。
- 提出了一种共设计框架，促进数据收集设备与机器人夹具的同步开发，提升灵巧性和抓取能力。
- Koala Gripper系统在多种物体上实现了安全抓取和精确操作，展示了其在学习演示中的有效性。
📝 摘要（中文）
随着对更大操作数据集的需求增加，手持机器人夹具的数据收集及其设计变得愈发重要。现有的数据收集设备设计往往牺牲了人体工程学和操作性能。本文提出了一种共设计框架，指导数据收集设备与机器人执行设备的同时开发。通过这一工作流程，我们展示了Koala Gripper系统，该系统在灵巧性和抓取能力上优于传统的平行夹具，同时保持可扩展性和易用性。设计中引入了一种新颖的力优化指/触发连杆机制，具有方向反射质量特性，以及独特的单体双拇指和以用户为中心的人体工程学设计。我们验证了该平台在安全抓取、强力工具使用和精确分离等方面的能力。
🔬 方法详解
问题定义：本文旨在解决现有数据收集设备在人体工程学和操作性能上的不足，尤其是在灵巧操作学习中对数据集的需求不断增长。
核心思路：通过共设计框架，促进数据收集设备与机器人夹具的同步开发，确保两者在设计过程中的平台约束相互交织，从而提升整体性能。
技术框架：整体架构包括数据捕获设备与机器人夹具的协同设计，主要模块包括力优化指/触发连杆机制、单体双拇指设计和用户中心的工程学设计。
关键创新：引入了力优化的指/触发连杆机制，具有方向反射质量特性，显著提升了夹具的灵巧性和抓取能力，与传统平行夹具相比具有本质区别。
关键设计：设计中的机器人手指具备可回驱动性，有效质量在几十克的范围内，确保了在多种物体上的安全抓取和强力工具使用。
🖼️ 关键图片
📊 实验亮点
实验结果表明，Koala Gripper在多种物体上的抓取能力显著提升，能够实现安全抓取、强力工具使用和精确分离。与传统平行夹具相比，其灵巧性和抓取能力得到了显著改善，展示了在学习演示中的有效性。
🎯 应用场景
Koala Gripper的设计可广泛应用于机器人操作、自动化生产线、服务机器人等领域，提升灵巧操作的效率和准确性。未来，该技术有望推动机器人在复杂环境中的自主操作能力，满足更高的操作需求。
📄 摘要（原文）
As the demand for larger manipulation datasets grows, handheld robotic gripper data collection and the associated gripper designs become more vital. Current data collection device designs trend towards matching the morphologies of existing robotic grippers, sacrificing ergonomics and manipulation performance. In this paper, we propose a co-design framework that guides the simultaneous development of both data collection and robotic execution devices by weaving both platform constraints into the design process. Through this workflow, we present the Koala Gripper system, a data capture device and robotic gripper platform that improves dexterity and grasp capability compared to parallel jaw grippers while preserving scalability and ease-of-use. The design introduces a novel force-optimized finger/trigger linkage mechanism with directional reflected mass characteristics, a unique monolithic dual-thumb, and user-centered ergonomic design. The design's actuated robotic fingers are backdrivable, with effective mass on the order of tens of grams. We show that these grippers are capable of secure grasps over a wide range of objects, forceful tool use, and precise singulation. We further validate the platform by deploying it with an end-to-end data collection and policy execution pipeline that highlights its capabilities through learning from demonstration. More information available at http://koalagripper.rai-inst.com