圖為機器人仿生手感知區域圖解。

　　趙秭杭 李宇飏制圖

　　圖為機器人仿生手感知區域圖解。
　　趙秭杭 李宇飏制圖

　　北京通用人工智能研究院的實驗室里，一只機器人仿生手正在執行一項高難度任務：用拇指和手掌握住瓶子的同時，用其它手指抓取高爾夫球，并精確運送到指定位置。

　　在機器人領域，如何在不影響運動功能的前提下實現全手高分辨觸覺覆蓋，一直是一個難題。“它能像人一樣，通過觸覺反饋進行精確操作。”北京通用人工智能研究院研究員劉騰宇介紹，這是名為“F—TAC  Hand”的機器人仿生手，其掌面70%的面積上集成了高分辨率觸覺感知，首次實現類人水平的自適應抓取能力。

　　不久前，這項由我國北京通用人工智能研究院、北京大學和英國倫敦大學瑪麗女王學院聯合研究的成果，在《自然·機器智能》上發表。

　　對人類手部功能的研究，是具身智能與機器人研究的前沿領域。劉騰宇介紹，“我們在拿取物體時涉及‘觸覺反饋’與‘運動功能’兩大能力，在以往的研究中，觸覺反饋與運動能力的整合被認為是機器人研究領域中的關鍵挑戰之一。”

　　如何讓機械手擁有“觸覺”？“我們首次在真實人手比例的機械手中成功嵌入了17個視觸覺傳感器。”研究員李皖林介紹，機械手的模塊化視觸覺傳感器，主要由多色光源、柔性鍍膜硅膠體、剛性支撐件、微型攝像頭和傳感器板構成。

　　記者拿起一支鋼筆按壓機械手，后臺的電腦屏幕上立刻顯現出確切的接觸位置、壓力分布以及鋼筆的紋理等信息。“為了讓全部傳感器同時工作，我們設計了一套多相機圖像同步采集系統。”研究員王濛介紹，“傳感器既是感知元件又是結構部件，在不犧牲手部靈活性的前提下實現了前所未有的觸覺覆蓋范圍。”

　　人的手部有27塊骨骼和34塊肌肉，可以實現24個自由度。研究員李博韌介紹，在運動控制方面，機器人仿生手采用了繩驅方式，通過五根腱繩沿手指兩側布線，分別控制五指的屈伸動作。同時，關節內置扭簧結構，實現腱繩松弛時的自動復位，能夠實現總計15個自由度與10牛頓的握力。

　　“我們開發了一種生成人類多樣化抓取策略的算法來解決這一問題。該算法基于概率模型，能夠產生與人類非常相似的抓取方式，涵蓋了人類常見的19種抓取類型。”北京通用人工智能研究院實習生、北京大學人工智能研究院博士生李宇飏說。

　　李宇飏介紹，相比沒有觸覺反饋的系統，“F—TAC  Hand”在面臨執行誤差和物體碰撞風險時表現出顯著的適應性優勢，平均成功率從53.5%提升至100%。“基于觸覺的閉環反饋機制，使其能夠像人類一樣，在不確定環境中保持高效靈活的操作能力，這對機器人在家庭、醫療和工業環境中的實際應用至關重要。”李宇飏說。

　　北京通用人工智能研究院院長、北京大學人工智能研究院院長朱松純表示，這一研究成果驗證了全手高分辨率感知可在不影響手部運動功能的前提下實現，為探索復雜的觸覺具身智能開辟了新的研究道路，“更廣泛地看，我們的研究成果為豐富感官反饋在智能行為中的關鍵作用提供了有力證據，并為超越純計算方法的具身人工智能系統發展作出了方向性探索。”

　　《 人民日報 》（ 2025年06月21日 06 版）