腱驱动人形机械手——RUKA

23天前浏览225

RUKA 是一只成本不到 1300 美元（约 9000 元人民币）的腱驱动人形机械手：5 指、15 自由度、11 个电机全部放在前臂，通过柔性腱牵引手指。它的核心创新是——用现成 MANUS 数据手套做“学习传感器”，直接用神经网络学会从指尖位置到电机指令的映射，从而绕开了腱驱动手难以精确建模的难题。

图1｜RUKA 整机外观：腱驱动人形机械手，可完成类人抓取

为什么值得关注？

真正开源：
3D 设计（OnShape）、控制代码、MuJoCo 模型、数据集和组装文档全部公开，7 小时可装完。
极低造价：
基础版约 $500，完整版约 $1300，远低于 Allegro（$15,000）和 Shadow（$100,000）。
类人尺寸：
长宽接近人手平均数据，能直接复用人类抓取演示数据，减少重定向。
学习即控制：
不依赖关节编码器，靠数据手套 + 神经网络完成指尖/关节控制。

图2｜设计原则与尺寸对比：RUKA 在低成本、类人形态、易用性之间取得平衡

硬件设计：15 自由度 + 欠驱动

自由度配置：
拇指 3 电机 3 自由度；其余四指各 2 电机，PIP/DIP 耦合驱动，共 15 DOF / 11 执行器。
关节布局：
MCP 掌指关节采用旋转关节简化；手指自然张开实现无外收展自由度；CMC 腕掌关节实现对掌。
材料：
PLA 3D 打印骨架 + FilaFlex Foamy TPU 软垫 + 3M 摩擦胶带 + 200 磅编织钓鱼线作腱。
制造：
Bambu Lab X1C 打印 24 小时，热熔螺母 + 金属销轴 + 拉伸弹簧，无需钻孔或胶合。

图3｜RUKA 的 15 自由度、手指自然张开与腱/弹簧驱动结构

性能数据：抓握力全面领先

RUKA 在 Kapandji 测试、运动范围、GRASP 分类法 33 种抓取，以及力量测试上均优于 LEAP 和 Allegro。关键数据：

捏力：
2.74 N（略超 LEAP 2.45 N，Allegro 1.60 N）。
载荷：
6.0 kg，是 LEAP 的 1.5 倍、Allegro 的 1.7 倍。
抗滑移：
DIP/PIP 33.02 N，MCP 16.15 N，均为对比平台最高。
耐久：
连续运行 20 小时无显著精度下降，电机温度稳定。
抓取：
33 种标准人手中成功复现 29 种。

载荷测试：RUKA 可稳定提起 6 kg 重物

控制器：数据手套 + LSTM 神经网络

腱驱动手的电机位置与指尖/关节角度没有简单解析关系。RUKA 的做法是：

把 MANUS 数据手套直接套在机器人手上，采集指尖位置 f_t 和关键点 k_t；
在电机限位内随机采样，自主生成大量（指尖/关节位置，电机指令）数据对；
用 LSTM 处理过去 10 帧手指状态，再经 MLP 头预测电机位置，MSE 损失 + AdamW 优化。

在人类验证集上，拇指三轴平均误差约 0.5–0.8 cm；在机器人验证集上约 0.2–0.3 cm。更值得注意的是，将控制器直接换到一只新组装、校准后的 RUKA 上，指尖位置差异仅约 3 mm。

MANUS 数据手套采集 + LSTM-MLP 控制器架构

遥操作与策略学习

基于学习控制器，RUKA 实现了 25 Hz 的手部遥操作（直接控电机可达 40 Hz）。配合 ArUco 标签还能同时控制手臂。

在策略学习方面，团队部署了 HuDOR 模仿学习框架，用人类视频生成机器人重放轨迹，再学习残差策略微调。Cube Flipping（翻方块）和 Bread Pick and Drop（取放面包）两个任务平均训练约 40 个 episode、45 分钟收敛。

遥操作任务：掌内抓取与手臂-手部协同操作

结语

RUKA 把“腱驱动 + 3D 打印 + 学习控制”三条线拧在一起，证明低成本、高灵巧的人形机械手并非只能二选一。它不仅能复刻大部分人类抓取，还能通过数据手套直接学习人类动作。论文也坦诚指出：目前仍依赖较贵的 MANUS 手套、缺乏触觉和 MCP 主动外展，未来版本会逐步补齐。对研究者和极客来说，RUKA 已经是一个值得关注的开源平台。

📚 来源说明

论文标题：RUKA: Rethinking the Design of Humanoid Hands with Learning（《RUKA：借助学习重新思考人形机械手设计》）

作者：Anya Zorin*, Irmak Guzey*, Billy Yan, Aadhithya Iyer, Lisa Kondrich, Nikhil X. Bhattasali, Lerrel Pinto（纽约大学，* 共同一作）

机构：New York University, USA

出处：arXiv:2504.13165v1 [cs.RO]，2025-04-17（预印本）

项目地址：ruka-hand.github.io

译注：中文翻译由 AI 辅助完成，仅供学习交流，学术引用请以英文原文为准。

来源：机械图纸狗

清华团队研究成果：10 自由度柔性双足轮式机器人Whleaper

轮腿式机器人（wheel-legged robot）兼具轮式的高效与腿式的越障能力，是近年机器人研究的热门方向。但现有方案大多只有 1~2 个髋关节自由度，难以完成横向行走、避障滑行等复杂动作。来自清华大学和香港科技大学的研究团队推出了 Whleaper——一款拥有 10 个自由度的双足轮式机器人。每条腿的髋关节都具备 3 个自由度（偏航/滚转/俯仰），让它在真实环境中实现行走、滑行、跳跃、避障、快速转向等多样化动作。Whleaper 样机一、机械设计：类人关节 + 串并联混合结构Whleaper 的每条腿包含 5 个自由度，其中髋关节就有 3 个，与人类髋关节类似。研发团队认为，只有让轮子相对地面拥有足够多样的朝向，机器人才能选择更丰富的落足点，从而兼顾稳定性与灵活性。髋关节偏航（Hip-Yaw）与滚转（Hip-Roll）：决定轮子的接地朝向，实现横向行走与姿态调整。髋关节俯仰（Hip-Pitch）与膝关节俯仰（Knee-Pitch）：负责抬腿与保持轮-地接触。轮桨（Wheel-Pitch）：轮子直接驱动，提供高速滑行能力。腿部还采用了串并联混合结构：四连杆机构能减轻膝关节重量、降低惯量，并精确传递扭矩；整体在运动学上等效于串联机械臂，便于运动学与动力学求解。Whleaper 关节空间示意图。髋关节采用球腕结构提供偏航与滚转，大腿与髋关节末端通过电机连接实现俯仰。二、控制算法：LQR 平衡滑行 + RL 行走跳跃Whleaper 的运行依赖分层软件架构：指令层负责用户交互；控制层融合 IMU 和电机数据做状态估计，输出 LQR 或强化学习（PPO）的扭矩指令；硬件层通过 PID 控制电机，并反馈关节状态。Whleaper 控制系统架构。指令层 → 控制层 → 硬件层，形成完整的反馈控制闭环。滑行模式下，机器人被抽象为轮式倒立摆系统（WIPS），利用 LQR 状态反馈 u = -Kx 保持动态平衡，实时抑制外部扰动。行走、跳跃等模式则采用基于近端策略优化（PPO）的强化学习。通过精心设计的奖励函数，机器人在仿真中学会维持平衡、遵守关节约束，并完成双脚离地的跳跃动作。三、实验结果：更稳、更敏捷、更灵活研究团队在仿真（IsaacGym）和真实环境中测试了 Whleaper。结果显示，增加髋关节自由度能显著改善机器人的稳定性、敏捷性与灵活性。稳定性：对比不同自由度配置发现，髋关节俯仰自由度对减小基座滚转/俯仰波动贡献最大；完整 10 自由度配置下，机器人行走姿态最自然。敏捷性：在“原地扭转”实验中，10 自由度 Whleaper 通过调整腿部姿态即可完成快速偏航，而 6 自由度机器人只能依赖轮子差速，动作更慢。灵活性：Whleaper 展示了 10 余种动作：正向行走、横向行走、避障滑行、滑冰式转向、膝关节摆动、蹲伏、跨越障碍、斜坡上站立、沿 S 路径滑行等。其中横向行走和避障滑行需要 3 个髋关节协调，是传统低自由度轮腿机器人难以实现的。Whleaper 在仿真与现实中完成的一系列动作。四、总结与展望Whleaper 通过增加髋关节自由度，拓展了轮腿式机器人的姿态空间与运动模式。团队已用 LQR 在真实场景中实现滑行，并在仿真中完成强化学习行走/跳跃。下一步计划将强化学习策略迁移到真实机器人，并引入模型预测控制（MPC）和全身控制（WBC），进一步弥合仿真到现实的 gap。📚 来源说明论文标题：Whleaper: A 10-DOF Flexible Bipedal Wheeled Robot（《Whleaper：一款 10 自由度柔性双足轮式机器人》）作者：Yinglei Zhu†, Sixiao He†, Yan Ning, Zhenghao Qi, Zhuoyuan Yong, Yihua Qin, Jianyu Chen*（清华大学 / 香港科技大学 / 清华大学交叉信息研究院，† 共同一作，* 通讯作者）机构：Tsinghua University · Hong Kong University of Science and Technology · IIIS, Tsinghua University出处：arXiv:2504.21767v2 [cs.RO]，2026-03-12（预印本）译注：中文翻译由 AI 辅助完成，仅供学习交流，学术引用请以英文原文为准。来源：机械图纸狗