林肯大学、东芝欧洲剑桥研究实验室、萨里大学、亚利桑那州立大学和韩国科学技术研究院(KAIST)的研究人员推出替代计算策略，用于防止机械手抓握物体滑落，相关成果已发表于《自然机器智能》杂志。

传统增强机器人抓取能力的方法，是通过收紧机械手抓握力防止物体滑落，但这并非总有效，甚至可能损坏易碎物体。此次研究团队受人类处理物体方式启发，开发出一种新控制器。该控制器由机器人控制器和仿生预测轨迹调节策略组成，可预测物体何时可能滑落，并相应调整机器人运动，如同人类在拿易碎或滑溜物体时，会巧妙调整动作而非用力挤压。

新控制器依赖的仿生轨迹调制策略，是对传统技术的补充，能调节机器人抓握力，实现更灵巧操控。它允许机器人减速、改变方向、实时适应手的位置和方向，降低处理易碎物体时破碎风险，且适用于抓握力无法改变的情况，实现与各种物体更流畅、智能的交互。

研究取得两项关键突破：一是基于运动的滑动控制器，在同类产品中尚属首创，对基于抓握力的控制起到补充作用，在无法增加抓握力的情况下尤为重要;二是由学习触觉前向模型(即世界模型)驱动的预测控制器，使机器人能根据计划动作预测滑移。

新开发的控制器用于规划机器人夹持器运动，并在动态非结构化环境中测试。结果显示，在某些情况下，该控制器能显著提高机器人抓握稳定性，性能优于仅通过调整抓握力的常规控制器。

该研究成果有望推动机器人系统进步，使其能利用世界模型安全处理各种物理交互，甚至社交交互，可应用于家庭环境、制造现场和医疗保健设施等现实场景。

目前，研究团队正努力使预测控制器更快、更高效，以部署在要求更高的实时环境中，包括探索不同架构和算法技术降低计算开销。下一步，研究人员将扩展系统，支持更高级、复杂的物体操控任务，如处理可变形物体或需双手操控的物品，还计划将方法与计算机视觉算法结合，基于触觉和视觉信息规划机器人轨迹。此外，提高学习模型的可验证性和可解释性也是重要方向，以开发出透明且安全的预测控制器，便于在现实世界部署。

更多信息： Kiyanoush Nazari 等人，仿生轨迹调节在机器人操控中实现有效滑移控制，《自然机器智能》 (2025)。