◎ 小米造手，先研究了1827项作业。

△ 撰文：董志洋

10月27日，小米公布了一只21自由度仿生手。

团队采集了1827个SOP（标准作业程序）对应的真实作业数据，通过人手动作分析和抓握仿真，比较不同的自由度配置。

小米把工人怎样用手，作为选择仿生手结构的依据。

关节在作业中需要多大的活动范围，哪些运动可以联动，增加自由度能改善多少抓握表现，都进入了这次设计的分析过程。

在团队的仿真比较中，自由度增加到23及以上时，抓握能力的提升已经放缓。为实现这套21自由度配置，团队还要安排驱动机构、控制腱绳张力，并处理电机发热。

从真实作业里，找出手的动作需求

团队把汽车总装中的人工作业作为设计起点，这里的操作种类多，工序之间相互关联，手部运动复杂，还会遇到作业环境的干扰。

小米希望借助这些任务，研究高自由度手能覆盖多大范围的制造操作。

这批数据来自小米汽车智能制造部中试中心，团队从16个典型工段的2579个SOP中选取1827个，采集这些作业的多角度视频和动作捕捉数据，覆盖所选典型工段约70.8%的人工作业工序。

采集之后，团队对动捕数据进行分类、切片、清洗和重定向，开展人手运动分析。

与这些动作记录配套的，还有工厂实际使用的工具、零件和操作物：团队把它们做成数字资产，在仿真中验证不同姿态的抓握。

今年3月，雷军将生产节拍视为机器人从实验室进入真实工厂的难点；随即7月，小米在柔性盖板排序任务中展示了双手换握和手内调整：机器人取出盖板后，还要改变握持方式和物体姿态，才能继续放置。

21自由度的选择，要看抓握收益

团队用每个自由度在实际作业中的活动范围，除以人手该自由度的平均完整行程，计算利用率。图表中的使用范围，取动作数据的第5至第95百分位区间，反映作业用到了多大的运动幅度。

统计显示，几乎所有被测自由度的利用率都超过50%。小米也指出，人手运动存在协同性，完成某个动作时，部分没有直接贡献的自由度也会一起运动。

设计人员还要区分，哪些运动需要分别控制，哪些适合采用联动结构。一个关节在作业中动得多大，与它是否需要单独驱动，是两个需要分别研究的问题。

为此，团队计算了不同关节运动的相关性，并以同一手指上指间关节的屈曲联动为例，说明欠驱动设计的思路。

当相关性超过某个阈值，例如0.8，可以进一步研究用一个驱动源带动相关运动的可能。

小米同时指出，人手的耦合并非刚性联动，设计仍需考虑柔性握持与精细操作。

在小米给出的仿真比较中，17-21自由度区间的平均稳定抓握成功率，相比6-15自由度区间提升15%-38%。

其中，21自由度在工厂操作覆盖度和抓握成功率上的提升最大；继续增加到23及以上，抓握能力的增益明显放缓。

团队还用新手对实际工厂零件和工具开展多姿态真机抓握测试。小米称，相比此前低自由度版本，新手的抓握姿态更接近人手，抓握成功率也有所提高。

绳驱电机主要在小臂

3月，小米就围绕人手数据的复用开展拟人构型设计，希望手的比例和可达空间接近人手，驱动能力、惯量分布和操控响应也能与人手相匹配，减少复用操作数据时的差异。

在3月的改型中，团队将手部尺寸从228×105×64毫米缩至187×88×36毫米，称体积压缩了约60%，同时增加自由度与主动自由度。

调整尺寸之外，团队还希望仿生手在抓握时有接近人手的柔顺性、包覆性，以及相近的执行速度和负载能力。

复用一段人手操作记录时，机器人需要能到达相应位置，也能用相近的手指姿态接触物体。

因此， 构型、动作范围与驱动响应要一起考虑。

本次新手延续拟人构型，采用由26个电机驱动的混合方案：以腱绳驱动为主，融合5个直驱自由度，后者安排在负载要求较低的关节。

团队希望在有限空间内兼顾运动范围、负载和重量，也将可靠性与维护便利纳入这项设计的考虑。

小米把绳驱电机主要放在小臂，通过腱绳传力，手掌重量为324克，团队采用这一布局降低末端转动惯量、改善控制响应。

可靠性也是迭代中的难点。

团队此前提到，即使只是简单重复操作，也遇到过不到1万次便出现腱绳、弹簧、套管等零件损坏的情况。团队通过设计、仿真和测试，针对实际操作场景逐个提高零件耐久性。

小米3月披露，迭代后的仿生手在重复抓握测试中实现了15万次以上循环，并能稳定获取触觉数据。

在新手的控制回路中，团队增加了腱绳张力传感器，补偿蠕变带来的非线性控制问题。

传感器检测绳路受力，将信号反馈给控制器，配合电机编码器反馈修正驱动。团队希望借此提高腱绳驱动力控制的精度和稳定性，保持长期绳驱的一致性，让手指末端和抓握过程的力控更精细。

触觉手套，让整手感知接触

根据小米3月公布的仿生手设计，团队选择触觉手套，希望在视觉遮挡时获得更多手掌接触信息，同时降低触觉数据采集对遥操作的依赖。

当时披露的全掌触觉传感器覆盖面积为8200平方毫米，人直接戴手套操作就可以采集指尖、指腹和掌心的接触数据，手套磨损后也便于更换。

在当时的对照演示中，人手与仿生手戴着触觉手套进行同样的操作，团队展示了两者获得的近似触觉数据。其中，仿生手采用遥操作。

团队还尝试将采集到的人手抓握数据和触觉信息用于仿真，在数字零件上应用模仿学习、强化学习，训练接近人手的抓握姿态。当时，团队也在实验室尝试更多基于精细触觉的操作。

触觉手套兼有采集和操作反馈两种用途：人戴手套记录接触数据，机器人戴手套感知物体在手中的接触分布。相近的构型与触觉覆盖方式，也方便研究人员比较两者在同样操作中的接触情况。

本次公布的新一代仿生手继续采用触觉手套的设计思路，以1500个触觉点提供高密度全掌覆盖。

指间、指腹和指根处的触觉空间分辨率达1毫米，掌心触觉空间分辨率达2毫米。张力反馈反映腱绳被拉多紧，触觉手套则呈现物体与手表面的接触分布。

最新的带手套抓握演示同时显示了手部动作和触觉分布，团队延续可更换、易维护的手套设计，并希望采用与人手相近的触觉覆盖方式，采集、对照人手与仿生手操作时的接触信息。

先预测温升，再调整作业

电机密集放进小臂，还需要处理局部发热。

小米指出，抓握操作中有大量需要以较大电流保持动作的工况，而且并不总按固定周期重复。恶劣情况下，单手功耗可超过100瓦。

在3月介绍的重载应用中，团队曾按70%的综合效率估算：单手电机塔功率超过100瓦时，会有超过30瓦转化为热量。堵转等高热损工况又会影响连续高负载作业的时长，散热能力因此直接关系到手能持续出力多久。

在常规被动散热之外，小米此前还探索了仿生汗腺主动散热。

团队在紧凑的小臂内，用金属3D打印制作液冷循环通道，再通过微泵将电机热量转移到蒸发区，利用液体蒸发吸热的方式降温。

根据小米当时给出的测试数据， 仿生汗腺系统 每分钟蒸发0.5毫升水，提供约10瓦主动散热能力。

围绕同一散热问题，这次小米在此前仿生汗腺探索之外，又开展了热预测模型和新型散热织物研究。

热预测模型用于在线监测温度，预测维持当前操作时，未来5-10分钟的温度分布和变化趋势，并估算距离超温还有多久。

有了这些估计，系统便可提前调度任务、降低关节扭矩或调整风扇转速，将热管理纳入作业安排。

团队同步研究两条预测路线：一条从物理机理出发，建立电磁和热降阶模型，通过系统级仿真预测温度、校准状态；另一条从真实运行数据出发，用机器学习方法预测温度，再通过状态校准和在线递推最小二乘学习，持续修正模型参数。小米称，目前已实现优于3℃的预测精度。

此外，在物理散热上，团队还研究新的织物。

机器人采用全身包布设计，小米从高导热材质填充、表面辐射改性、自然吸湿蒸发等方向探索，并展示了散热织物与普通织物的温度对比。

从3月的全掌触觉，到这次对1827项作业的动作分析，小米持续研究的是工人如何用手完成操作。工具怎样握稳、零件怎样在手中调整姿态，正在影响这只手的关节配置与控制方式。

-END-