陳宵燕，孫沂琳，趙 一，張秋菊，何慶浩

（1.無(wú)錫學(xué)院 自動(dòng)化學(xué)院，江蘇無(wú)錫 214105；2.江蘇省食品先進(jìn)制造裝備與技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇無(wú)錫 214122；3.江蘇集萃復(fù)合材料裝備研究所有限公司 創(chuàng)新研發(fā)中心，江蘇無(wú)錫 214174）

0 引言

薄皮果類是生活中常見(jiàn)的水果，如蘋果、梨子和獼猴桃等，其共有特性是皮薄水分多，一旦外表皮受傷，不僅影響外觀，更會(huì)導(dǎo)致其快速氧化而腐爛［1］。面對(duì)未知物體，抓取任務(wù)不僅要求準(zhǔn)確識(shí)別物體的位置和方向［2-4］，還需要穩(wěn)定可靠地抓取［5］。對(duì)薄皮果類，還要考慮抓取力的柔順控制［6］。

根據(jù)當(dāng)前研究現(xiàn)狀，具有硬手指的靈巧手通常需要復(fù)雜的傳感和控制技術(shù)，才能獲得高精度位置，以實(shí)現(xiàn)閉合抓?。?］。而柔性手具有較低的固有剛度，對(duì)動(dòng)作和感知的不確定性具有較強(qiáng)的固有魯棒性［8］。由于柔性手能夠通過(guò)主動(dòng)和被動(dòng)變形，輕松適應(yīng)復(fù)雜物體或非結(jié)構(gòu)化環(huán)境，已經(jīng)成為機(jī)器人抓取研究的一個(gè)關(guān)鍵領(lǐng)域［9］。

目前，一般靈巧手將硬度感知作為對(duì)未知物體抓取夾持力的控制依據(jù)［10］。例如，YUAN等［11］基于觸覺(jué)傳感器，通過(guò)接觸表面形狀變化等來(lái)估計(jì)抓取物體的硬度。WANG等［12］設(shè)計(jì)分布式觸覺(jué)傳感器，根據(jù)滑移情況調(diào)整抓取力。而對(duì)于薄皮果類，接觸表面的形狀產(chǎn)生變化時(shí)已經(jīng)對(duì)其產(chǎn)生破壞，對(duì)水果的貯藏和質(zhì)感都產(chǎn)生了不可挽回的損害。

因此，本文面向薄皮果類的柔順抓取，針對(duì)當(dāng)前機(jī)器手存在的主動(dòng)順應(yīng)性不足、控制系統(tǒng)復(fù)雜等問(wèn)題，利用柔性手輕型高效的結(jié)構(gòu)優(yōu)勢(shì)及前瞻力控技術(shù)，優(yōu)化對(duì)該類物體的柔順抓取性能。

1 柔性手結(jié)構(gòu)設(shè)計(jì)及彎曲性能分析

1.1 結(jié)構(gòu)設(shè)計(jì)

參考人手和章魚結(jié)構(gòu)形式與變形機(jī)理，設(shè)計(jì)具有多臂結(jié)構(gòu)的變形手掌，通過(guò)增加旋轉(zhuǎn)自由度模仿翻轉(zhuǎn)和搖擺，增加平移自由度模仿觸手可在任意位置彎曲的特性。為了簡(jiǎn)化機(jī)器手結(jié)構(gòu)，降低控制難度，柔性手結(jié)構(gòu)共有4個(gè)平移自由度和2個(gè)旋轉(zhuǎn)自由度，如圖1所示。

圖1 柔性手結(jié)構(gòu)示意圖Fig.1 Structural diagram of flexible hand

在初步構(gòu)型下，利用Matlab軟件進(jìn)行仿真，分析柔性手工作空間，調(diào)整變掌機(jī)構(gòu)設(shè)計(jì)參數(shù)以提升工作空間范圍；然后基于控制變量法和Abaqus仿真對(duì)軟體手指進(jìn)行建模及受力分析，建立驅(qū)動(dòng)氣壓與手指彎曲變形、末端位移之間的數(shù)學(xué)關(guān)系。

1.2 彎曲性能分析

基于有限元分析的軟體手指彎曲變化過(guò)程如圖2所示。隨著驅(qū)動(dòng)氣壓P的增加，曲率半徑R呈逐漸下降的趨勢(shì)，自由單向彎曲角度θ與單腔體驅(qū)動(dòng)氣壓之間的變化呈近似線性的趨勢(shì)。

圖2 相對(duì)關(guān)系曲線圖Fig.2 Relative relation curve

當(dāng)單腔體軟體手指充入的氣壓逐漸增大時(shí)，軟體手指的彎曲過(guò)程如圖3（a）所示。在相同的氣壓下，當(dāng)改變手指的設(shè)計(jì)參數(shù)時(shí)，彎曲程度發(fā)生變化，末端位移也隨之產(chǎn)生相應(yīng)的變化，如圖3（b）所示。

圖3 單腔體軟體手指彎曲特性Fig.3 Bending characteristics of single-cavity soft finger

深入分析各個(gè)參數(shù)對(duì)彎曲性能的影響，發(fā)現(xiàn)兩者之間變化趨勢(shì)呈非線性。因此，根據(jù)末端軌跡光滑性需求，對(duì)軟體手指進(jìn)行結(jié)構(gòu)參數(shù)優(yōu)化設(shè)計(jì)，加工并制作相應(yīng)的軟體手指。

2 基于前瞻預(yù)測(cè)的智能力控方法

根據(jù)前期研究工作，利用M-CNN模型獲得目標(biāo)物體的輪廓信息。對(duì)物體執(zhí)行抓取操作時(shí)，需明確最佳的抓取點(diǎn)及抓取姿態(tài)。

2.1 柔性手抓取規(guī)劃方法

根據(jù)物體外輪廓的形狀特征提出如圖4所示的4種構(gòu)型規(guī)劃。

圖4 構(gòu)型規(guī)劃方法Fig.4 Configuration planning method

垂直交叉抓取規(guī)劃（Cross grasp planning，CGP）方法適用于抓取形狀呈中軸近似對(duì)稱的物體，如類橢球體、類球體等，如圖4（a）所示。當(dāng)使用CGP方法抓取具有大縱橫比的物體時(shí)，各手指所受的力矩之間會(huì)存在很大的差異，甚至?xí)嬖谄渲?個(gè)手指失去作用的情況。為了解決對(duì)這些物體的穩(wěn)定抓取問(wèn)題，提出一種基于等矩對(duì)稱分布約束的等距最優(yōu)抓取規(guī)劃（Equidistant optimal grasp planning，EOGP）方法，如圖4（b）所示。

針對(duì)類梯形體的不規(guī)則物體，提出綜合指標(biāo)最優(yōu)抓取規(guī)劃（Comprehensive-index optimal grasp planning，COGP）方法，該方法不僅考慮力矩平衡，還側(cè)重考慮接觸面積及抓取中心的偏置，如圖4（c）所示。選取2個(gè)平行度較高的面作為固定臂的抓取對(duì)象，而其余2點(diǎn)則通過(guò)旋轉(zhuǎn)臂調(diào)節(jié)到合適位置。當(dāng)抓取對(duì)象為類三棱柱體時(shí)，提出三角等分抓取規(guī)劃（Trigonometric division grasp planning，TDGP）方法，其中1條臂不參與抓取，采用3指方法來(lái)獲得最優(yōu)抓取點(diǎn)，如圖4（d）所示。

當(dāng)獲得物體輪廓信息后，可根據(jù)其特征選取適合的位形規(guī)劃方法，為柔性手抓取不同形狀大小的物體提供靈活的操作空間。

2.2 抓取穩(wěn)定性評(píng)估機(jī)制

根據(jù)機(jī)器手抓取經(jīng)驗(yàn)，增加手指與物體表面的接觸面積可大大提高手指的抗變形能力。考慮到接觸面積較難計(jì)算，利用空間接觸角與接觸面積之間的高度相關(guān)性來(lái)進(jìn)行替代，即將指尖接觸力方向與物體接觸面之間的空間接觸角θc作為評(píng)估抓取性能的重要度量。

因此，結(jié)合人類手的常規(guī)抓取經(jīng)驗(yàn)法以及基于最大內(nèi)切球準(zhǔn)則的穩(wěn)定性分析法，提出基于最佳位形和力閉合混合方法的柔性手抓取穩(wěn)定性評(píng)估機(jī)制。抓取穩(wěn)定性評(píng)價(jià)因素中，除去θc影響摩擦力之外，每個(gè)手指的力矩平衡性也需要考慮。對(duì)于后者，根據(jù)抓取中心與被抓取物體形心的距離值lOC以及抓取角度均勻分布情況來(lái)衡量：當(dāng)形心位于抓取中心或偏移距離較小時(shí)，抓取效果相對(duì)較好；當(dāng)抓取點(diǎn)能均布在被抓取物體表面或兩兩之間間距較均勻時(shí)，抓取效果相對(duì)較好。

對(duì)于4種構(gòu)型規(guī)劃方法，穩(wěn)定性評(píng)價(jià)的對(duì)象都是θc，lOC以及抓取角度均勻分布指數(shù)，后者與柔性手相鄰兩臂之間的夾角均勻性或?qū)ΨQ性有關(guān)，以CGP方法為例，如圖5所示。

穩(wěn)定性評(píng)價(jià)指數(shù)如下式：

其中，k1，k2，k3為權(quán)重系數(shù)，且滿足k1+k2+k3=1，根據(jù)試驗(yàn)經(jīng)驗(yàn)設(shè)定k1=0.6，k2=0.2，k3=0.2；ζPiPj為被抓取物體形心與各個(gè)抓取點(diǎn)兩兩連線之間的夾角；為被抓取物體形心與抓取點(diǎn)連線之間的兩兩4個(gè)夾角的平均值；N為要評(píng)估的角度的數(shù)量，該數(shù)量隨構(gòu)型方法的不同而不同。

式（1）適用于COGP和TDGP 2種方法，而對(duì)于EOGP構(gòu)型規(guī)劃方法，要求兩臂對(duì)稱分布，因此其穩(wěn)定性評(píng)價(jià)指數(shù)如下式：

首先根據(jù)物體形狀輪廓信息對(duì)柔性手進(jìn)行最優(yōu)抓取位形規(guī)劃；然后根據(jù)接觸力和力平衡因素計(jì)算對(duì)應(yīng)的抓取穩(wěn)定性評(píng)價(jià)指數(shù)；最終形成基于混合方法的抓取穩(wěn)定性評(píng)估機(jī)制，從而獲得目標(biāo)對(duì)象最佳的抓取點(diǎn)及位置分布。

2.3 非線性回歸預(yù)測(cè)模型

手指接觸力由軟體手指內(nèi)側(cè)的薄膜壓力傳感器提供，根據(jù)力反饋結(jié)果實(shí)時(shí)微調(diào)輸入氣壓。然而，在輸入一定的氣壓后，軟體手指有相對(duì)應(yīng)的剛度，并且剛度隨著彎曲程度和輸入氣壓的大小變化，如圖6所示。

圖6 不同作用力下柔性手抓取物體的手指彎曲變形變化Fig.6 Changes of finger bending deformation of objects grasped by flexible hands under different forces

手指的彎曲狀態(tài)不僅受到手指自身結(jié)構(gòu)參數(shù)和材料性能的影響，還會(huì)受到輸入氣壓與物體接觸點(diǎn)的位置及分布的影響，從而在手指與物體表面的接觸點(diǎn)產(chǎn)生不同的抓取力。

通過(guò)柔性手自身的力與彎曲傳感器可直接獲取的物理量是壓力和彎曲角度，而手指的接觸力并不能直接獲得。因此，基于人工智能訓(xùn)練及非線性回歸預(yù)測(cè)等方法，利用神經(jīng)網(wǎng)絡(luò)建立物理量與所求量之間的數(shù)學(xué)模型，通過(guò)軟傳感器技術(shù)預(yù)測(cè)當(dāng)前手指接觸點(diǎn)的受力狀態(tài)，從而改善對(duì)柔性手的柔順抓取控制。

利用自適應(yīng)抓取規(guī)劃方法獲得所需的最佳抓取點(diǎn)Pci及物體類別，根據(jù)物體輪廓和類別信息計(jì)算獲得目標(biāo)物體的密度ρ和體積V，利用柔性傳感器和電機(jī)編碼器獲得手指完整狀態(tài)信息（彎曲角度Jfi和空間夾角θci）。對(duì)需要抓取的物體進(jìn)行一系列測(cè)試，當(dāng)獲得最佳抓取配置信息后，輸入氣壓Pr初始值0，然后不斷提高Pr直至柔性手能穩(wěn)定抓取物體。記錄此時(shí)柔性壓力傳感器的數(shù)值，即為該物體的最小抓取力Fmin，對(duì)應(yīng)的輸入氣壓即為最佳輸入氣壓Pbest。

根據(jù)采集數(shù)據(jù)，將物體的V，ρ，Pci，θci，Jfi，Pbest作為輸入?yún)?shù)，F(xiàn)min作為輸出參數(shù)，基于徑向基神經(jīng)網(wǎng)絡(luò)，進(jìn)行有監(jiān)督的學(xué)習(xí)，訓(xùn)練獲得抓取力預(yù)測(cè)模型（簡(jiǎn)稱為RBF1），如圖7（a）所示。在實(shí)際柔順控制時(shí)，直接控制和調(diào)整的對(duì)象是Pr，當(dāng)物體對(duì)象及抓取配置一定時(shí)，Pbest與Fmin存在某種確定的非線性關(guān)系。

圖7 基于RBF的非線性預(yù)測(cè)模型Fig.7 Nonlinear regression models based on RBF neural network

在確定物體和抓取配置信息后，為了對(duì)物體進(jìn)行抓取操作，需要對(duì)輸入氣壓有一定的預(yù)判。為此，將物體的V，ρ，Pci，θci，Jfi作為輸入?yún)?shù)，而Pbest作為輸出參數(shù)，依舊基于徑向基神經(jīng)網(wǎng)絡(luò)，進(jìn)行有監(jiān)督的學(xué)習(xí)，訓(xùn)練獲得最佳輸入氣壓預(yù)測(cè)模型（簡(jiǎn)稱為RBF2），如圖7（b）所示。

2.4 基于最小抓取力的前瞻力控方法

為了實(shí)現(xiàn)柔性手的柔順抓取功能，提出基于最小抓取力的自適應(yīng)控制算法。柔性手成功抓取物體的一般評(píng)判指標(biāo)是，抓取物體到空中后穩(wěn)定停留3 s以上而不滑落，因此柔性手需要有穩(wěn)定抓取的性能。一般而言，力越大越穩(wěn)定，而由柔性手自身彎曲特性和物體表面形狀及摩擦力可知，超過(guò)一定壓力會(huì)產(chǎn)生滑落現(xiàn)象。當(dāng)提供的抓取力小于所需的摩擦力時(shí)，也會(huì)有滑落現(xiàn)象出現(xiàn)。

柔性手施加的抓取力不能過(guò)小或過(guò)大。在穩(wěn)定抓取力的范圍內(nèi)，控制力趨向于最小值時(shí)，目標(biāo)物體不但能被穩(wěn)定抓取，還可以在最大限度內(nèi)受最小的損傷。為此，提出的基于最小抓取力的前瞻智能力控方法，優(yōu)化了柔性手柔順抓取的性能。

根據(jù)指定任務(wù)實(shí)施柔性手物體抓取控制時(shí)，利用RBF2獲得所需要的Pbest，控制柔性手抓取物體；抓住物體后，實(shí)時(shí)反饋柔性壓力傳感器的數(shù)值Freal給控制系統(tǒng)。同時(shí)，利用RBF1獲得所需的Fmin，并與Freal進(jìn)行比較。當(dāng)前者小于后者時(shí)，加大輸入氣壓，直至兩者相等，從而實(shí)現(xiàn)自適應(yīng)調(diào)節(jié)抓取力的大小。再根據(jù)此時(shí)的Pr對(duì)RBF1和RBF2進(jìn)行修正。在操作過(guò)程中進(jìn)行自主學(xué)習(xí)，不斷優(yōu)化驅(qū)動(dòng)氣壓前瞻預(yù)測(cè)模型的精度，改善系統(tǒng)控制性能，控制算法如圖8所示。

圖8 基于最小抓取力預(yù)測(cè)的自適應(yīng)控制算法Fig.8 Adaptive control algorithm of flexible hand predicted based on minimum grasping force

基于最小抓取力預(yù)測(cè)的智能抓取流程：根據(jù)采集信息及智能檢測(cè)方法獲得定位信息、輪廓信息和物體分類；利用反饋信息，基于自適應(yīng)控制算法調(diào)節(jié)柔性手開(kāi)合旋轉(zhuǎn)自由度和驅(qū)動(dòng)氣壓數(shù)值，達(dá)到所需的抓取位置和抓取力。自感知柔性手可預(yù)知在某一氣壓和彎曲角度下所能提供的最大負(fù)載能力，自適應(yīng)地調(diào)節(jié)各個(gè)手指的氣壓來(lái)改變手指剛度，從而實(shí)現(xiàn)柔順抓取控制。

根據(jù)柔順抓取控制要求，設(shè)計(jì)分級(jí)模塊化柔性手控制硬件系統(tǒng)，如圖9所示。控制系統(tǒng)主要分為上下2層。上位機(jī)負(fù)責(zé)任務(wù)管理、圖像檢測(cè)、路徑規(guī)劃和視覺(jué)定位四大模塊功能；下位機(jī)負(fù)責(zé)各種傳感器反饋信息處理，對(duì)6個(gè)電機(jī)及2個(gè)氣路實(shí)時(shí)控制，協(xié)調(diào)柔性手變掌規(guī)劃及抓取力的響應(yīng)。最終實(shí)現(xiàn)柔性手穩(wěn)定可靠且靈活多變的抓取性能。

圖9 分級(jí)模塊化柔性手控制硬件結(jié)構(gòu)圖Fig.9 Structural diagram of hierarchical modular flexible hand control system

3 試驗(yàn)驗(yàn)證與分析

為驗(yàn)證前瞻力控方法的有效性，搭建柔性手性能測(cè)試平臺(tái)。該平臺(tái)除1套包含各種控制硬件的控制柜之外，主要由1臺(tái)6自由度的UR機(jī)器人、1只帶有4個(gè)柔軟手指的柔性手、1個(gè)不失真的2D攝像頭以及1臺(tái)PC機(jī)組成。在工作中，攝像機(jī)固定在手部，并在手掌面中心設(shè)置合適大小的透明孔以進(jìn)行圖像采集。所有試驗(yàn)都在Windows 10系統(tǒng)的計(jì)算機(jī)上運(yùn)行，配備2.2 GHz英特爾酷睿i7-8750H CPU和NVIDIA GeForce GTX 1050Ti（Maxwell架構(gòu)）。此外，檢測(cè)和控制系統(tǒng)通過(guò)使用OpenCV 3.4和Visual Studio 2015的圖形用戶界面（GUI）實(shí)現(xiàn)。

3.1 靈活抓取性能測(cè)試

為驗(yàn)證柔性手對(duì)不同形狀大小的薄皮果類具有靈活的適應(yīng)能力和可靠的抓取能力，選用常見(jiàn)的水蜜桃、火龍果、番茄、胡蘿卜、檸檬和橙子等水果，利用CHEN等［2］提出的視覺(jué)檢測(cè)算法識(shí)別并定位物體位置。

對(duì)于規(guī)則物體（近似球體或橢球體），利用CGP和EOGP可以得到適合穩(wěn)定抓取物體的最優(yōu)接觸點(diǎn)。當(dāng)物體不規(guī)則時(shí)，可以通過(guò)COGP或TDGP方法獲得所需的抓取點(diǎn)?；谝曈X(jué)檢測(cè)方法獲得如圖10所示的形狀輪廓信息，使用提出的規(guī)劃方法獲取物體最適合的抓取構(gòu)型，基于抓取穩(wěn)定性評(píng)估機(jī)制獲得最佳抓取點(diǎn)。

圖10 基于視覺(jué)檢測(cè)的邊緣輪廓提取Fig.10 Edge contour extraction based on visual inspection

基于M-CNN分類結(jié)果，得到目標(biāo)物體對(duì)應(yīng)的ρ，并結(jié)合輪廓信息得到對(duì)應(yīng)的V。利用訓(xùn)練好的RBF1得到Fmin，再利用RBF2獲得所需要的Pbest，控制柔性手抓取物體。

對(duì)不同種類的物體反復(fù)抓取100次，主要驗(yàn)證柔性手靈活多變的抓取空間及穩(wěn)定可靠的抓取能力，可保證平均抓取成功率（穩(wěn)定抓取住物體并提升到空中3 s以上）在95%以上。

3.2 智能力控性能測(cè)試

為進(jìn)一步驗(yàn)證提出的前瞻智能力控在柔順抓取上的作用，設(shè)計(jì)輸入氣壓對(duì)比試驗(yàn)。對(duì)于抓取同一個(gè)物體，在同樣的抓取點(diǎn)位下，利用相對(duì)較小的抓取力實(shí)現(xiàn)對(duì)物體的穩(wěn)定抓取。相對(duì)于較大的抓取力，薄皮果類表皮受到的擠壓和損害必然有一定程度的減小。因此，利用控制變量法，對(duì)比輸入氣壓的大小，以驗(yàn)證智能力控在柔順抓取上的改善能力。

以水蜜桃、蘋果、番茄為試驗(yàn)對(duì)象，進(jìn)行智能識(shí)別與抓取，對(duì)比不同輸入氣壓的控制方法?；谇捌谘芯抗ぷ鞯腗-CNN模型辨識(shí)獲得分級(jí)驅(qū)動(dòng)氣壓，主要分40，60，80，100 kPa 4個(gè)等級(jí)；利用人工經(jīng)驗(yàn)法，測(cè)試人員根據(jù)當(dāng)前水果大小及質(zhì)量預(yù)知所需要的驅(qū)動(dòng)氣壓；基于智能力控方法，獲得所需要最小抓取力對(duì)應(yīng)的驅(qū)動(dòng)氣壓。對(duì)3種水果采用每種方法反復(fù)抓取100次，抓取結(jié)果如圖11所示。對(duì)100次抓取的驅(qū)動(dòng)氣壓取均值進(jìn)行對(duì)比，同時(shí)統(tǒng)計(jì)抓取的成功率，結(jié)果如表1所示。

表1 驅(qū)動(dòng)氣壓與抓取成功率對(duì)比Tab.1 Comparison of driving pressure and grasping success rate

圖11 三種水果測(cè)試試驗(yàn)Fig.11 Measurement and testing of three kinds of fruits used in intelligence control test

3種方法對(duì)3種水果的平均驅(qū)動(dòng)氣壓分別為84.33，80.73，75.30 kPa，智能力控相對(duì)M-CNN和人工經(jīng)驗(yàn)分別降低9.03，5.43 kPa，抓取力分別相對(duì)降低10.64%和6.91%。

3種方法在3種水果上的平均成功率分別為95.33%，93.00%，98.00%。智能力控法在降低抓取力的同時(shí)保證了較高的抓取成功率，因此可間接證明，其在提高可靠性的同時(shí)也改善了柔順抓取性能。

對(duì)于蘋果這種質(zhì)量介于兩級(jí)之間的物體，M-CNN不但抓取成功率不高，且對(duì)抓取力的控制也不理想。對(duì)于番茄這種表皮光滑的果類，人工經(jīng)驗(yàn)法難以把握，過(guò)大或過(guò)小都會(huì)導(dǎo)致抓取滑落而失敗。

測(cè)試結(jié)果表明，柔性手不僅提高抓取成功率，改善抓取穩(wěn)定性及可靠性，還在保證高穩(wěn)定性能的同時(shí)，盡可能地減小抓取力，從而避免薄皮果類表面的損傷，最終實(shí)現(xiàn)優(yōu)化柔性手柔順抓取性能。因此，采用基于最小抓取力的柔性手智能力控算法，在盡可能不破壞物體表面質(zhì)量的前提下，可實(shí)現(xiàn)柔順抓取。同時(shí)也驗(yàn)證基于混合方法的4種抓取規(guī)劃和穩(wěn)定性評(píng)估機(jī)制的可行性，以及基于最小抓取力的自適應(yīng)算法的可靠性。

4 結(jié)語(yǔ)

（1）針對(duì)現(xiàn)有柔性手對(duì)薄皮果類的柔順抓取問(wèn)題，提出一種基于穩(wěn)定性評(píng)估機(jī)制的最優(yōu)抓取規(guī)劃和基于最小抓取力的前瞻智能力控方法。

（2）根據(jù)柔性手的特點(diǎn)和人手抓取的經(jīng)驗(yàn)，提出CGP，EOGP，COGP，TDGP這4種構(gòu)型規(guī)劃方案，同時(shí)建立基于最佳位形和力閉合混合方法的柔性手抓取穩(wěn)定性評(píng)估機(jī)制，為柔性手最優(yōu)抓取點(diǎn)選取提供科學(xué)依據(jù)。

（3）為實(shí)現(xiàn)柔性手柔順可靠的控制性能，建立基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的非線性回歸預(yù)測(cè)模型（RBF1和RBF2），著重提出基于最小抓取力的智能力控算法。通過(guò)試驗(yàn)驗(yàn)證方法的可行性和有效性，證明其在機(jī)器人抓取未知物體方面的優(yōu)勢(shì)和潛力。

（4）抓取的質(zhì)量還應(yīng)考慮抵抗外界干擾的能力，如外部沖擊力和機(jī)器人加速度等，這將是未來(lái)研究工作的重點(diǎn)。