首页/文章/ 详情

【AI+机械】AI全自动控制Solidworks重建步行腿仿生机构

17天前浏览162

AI建模源码使用前置条件:  

 
1. 电脑上安装SolidWorks (2020及以上版本,最好是2026版)。

2. 电脑上安装AI平台(国产WorkBuddy、Kimi Work、国外CodeX、CloudCode等等)。优先推荐腾讯的WorkBuddy

3. AI平台上安装了MCP SolidPilot。未安装的,直接告诉AI“安装MCP SolidPilot”,AI会自主完成安装。

AI建模源码使用方法:  

 

1. 解压下载后的AI建模源码压缩包。  

 
2. 将 AI 平台的工作空间路径设置为解压后的文件夹。  

 
3. 直接告诉AI“调用 SolidPilot MCP,执行跨机重建:1. 连接 SolidWorks;2. 文件在本工作空间目录。”  

来源:机械图纸狗
SolidWorks仿生控制
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2026-08-10
最近编辑:17天前
机械狗社区David
签名征集中
获赞 309粉丝 114文章 5627课程 0
点赞
收藏
作者推荐

腱驱动人形机械手——RUKA

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

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈