Handroid：一台可在灵巧手与人形机器人间切换的可重构桌面级机器人_AI热点日报

Handroid：一台可在灵巧手与人形机器人间切换的可重构桌面级机器人

类型：热点整理2026-08-31

Handroid 是一台高 0 33 米、重 2 05 千克、拥有 27 个自由度的桌面级机器人，通过滑轨与齿轮齿条机构实现灵巧手与人形形态的无缝切换。本文解析其机械映射、电气传感复用、遥操作与强化学习控制策略，并展示跨形态长时程任务的实验结果，为多形态机器人平台设计与学习算法部署提供参考。

传统机器人往往在移动能力与精细操作之间二选一，Handroid 通过一套硬件实现灵巧手与人形形态的切换，尝试打破这一边界。本文从机械结构、电气传感、控制学习到实验验证，梳理其形态复用机制与跨形态任务流程，帮助读者理解可重构平台的设计思路与落地路径。

机械设计与形态切换机制

Handroid 的核心难点在于同一套硬件需同时满足两种截然不同的需求：灵巧手形态要求结构紧凑、关节密集，以容纳五根手指；人形形态则需要头部、双臂和双腿具备足够的自由度与活动范围。为此，团队在关节映射、执行器选型与内部布局上进行了统一规划。

在形态切换过程中，灵巧手的五根手指模块分别重组为头部、双臂和双腿。切换由两套滑轨与齿轮齿条传动机构完成，执行器的旋转运动被转化为沿滑轨的直线位移，使关节模块移动到目标位置。整个过程无需拆卸硬件，仅通过模块位置变化即可重组运动链，实现“形态复用”。

为支持跨形态任务接力，团队还为 Franka Research 3 机械臂设计了电磁法兰。Handroid 在灵巧手形态下通过该法兰与机械臂连接，提供约 180 牛的保持力；当目标超出机械臂工作范围时，可切换为人形形态并分离，完成移动与环境交互后再次连接，恢复精细操作能力。

电气与传感系统的形态复用

形态复用对电气与传感系统提出了高集成度要求。Handroid 的主控板尺寸约为 40 mm × 80 mm，在有限体积内集成了执行器控制、无线通信、供电管理、温度监测与状态反馈。控制器通过总线读取关节位置、速度、负载和温度，并通过无线网络将状态传输至上位机。

机身与指尖的惯性传感器在两种形态下承担不同角色：灵巧手形态下服务于手部控制，人形形态下则转化为身体与脚端运动信息的一部分。这种传感复用与机械形态复用相互配合，使平台不仅具备结构灵活性，还能支撑学习策略训练与真实部署。

控制策略与学习算法部署

机械重组完成后，如何让同一套硬件在两种形态下稳定执行任务，是控制与学习层面的关键。

灵巧手形态：遥操作与扩散策略

团队基于 Apple Vision Pro 搭建了臂手协同遥操作系统，实时追踪操作者手部关键点，将手指动作重定向至 Handroid，同时将手腕运动映射到 Franka Research 3 机械臂末端。该系统既可用于直接执行任务，也可采集高质量示教数据。

基于示教数据，团队训练了物体条件扩散策略。策略输入物体点云与机器人本体状态，输出连续动作片段，用于不同形状与位姿物体的灵巧抓取。在手内操作任务中，团队还在仿真中使用强化学习训练立方体重定向策略，并成功部署到真实机器人上，实现多指协调接触与姿态调整。

人形形态：轨迹跟踪与速度指令学习

人形控制支持两条路线。其一为基于参考轨迹的强化学习跟踪：参考动作可来自零力矩点（ZMP）步态规划器或关键帧编辑器，强化学习策略在此基础上进行闭环修正，以适应地面接触、执行器限制与动态平衡。其二为不依赖预设轨迹的速度指令学习，直接根据前进与转向等速度命令训练稳定运动策略。

为加速动作设计与验证，团队基于 Viser 对关键帧编辑工具进行二次开发。用户可在编辑器中设计动作并快速完成仿真与真机验证，即使学习算法尚未收敛，也能直接探索硬件能力边界。

实验验证与跨形态任务

在灵巧操作实验中，Handroid 完成了抓纸、倒水、叠杯、杯子悬挂、双物体抓取与取出手套等任务。团队采集 10 种物体共 100 条遥操作示教，训练物体条件扩散策略。在随机物体位姿下，该策略在 10 类物体上取得平均 72% 的真实抓取成功率。

手内操作实验中，强化学习策略以 30 赫兹运行，依赖关节状态与本体感知历史，在真实机器人上完成立方体保持与重定向，验证了多指协调、接触稳定性与仿真到真实迁移的可行性。

人形实验中，基于参考轨迹的强化学习跟踪在仿真中达到 0.12 弧度的关节位置误差与 0.0019 米的身体位置误差；速度指令学习策略在 0.20 米每秒前进命令下实现 0.052 米每秒的速度跟踪误差。真实机器人可完成前后移动、转向、侧移、下蹲、俯卧撑、引体向上与简单抓取放置。

最具代表性的是一项跨越两种形态的长时程任务：Handroid 以灵巧手形态连接机械臂，切换为人形后分离并沿路线移动避障，将箱子推入机械臂工作范围；随后再次切换为灵巧手形态并重新连接，最终抓起瓶子放入箱中。该实验完整串联了形态切换、移动、环境交互、分离与重连、以及灵巧操作，直观展示了“移动能力 + 精细操作”在同一平台上的协同价值。

研发团队与开源资源

Handroid 由北卡罗来纳大学教堂山分校 IDEAL Lab 与斯坦福大学联合研发。项目作者包括 UNC 学生 Ruogu Li、Chenyang Ma、Sikai Li、Zhenyu Wei、Yunchao Yao 与斯坦福大学 Haochen Shi。指导团队包括斯坦福大学教授 Karen Liu、Shuran Song 与 UNC 助理教授 Mingyu Ding。Haochen Shi 此前开发的 ToddlerBot 是桌面级开源机器人领域的代表性系统之一。

UNC IDEAL Lab 长期聚焦灵巧操作与通用机器人学习，在跨平台操作、柔顺交互与人形控制等方向积累丰富经验，曾提出 OHRA、DexVerse、Current as Touch 与 CoorDex 等工作，并多次获得 ICRA 最佳论文奖。Handroid 强调软硬件协同设计与全栈迭代，覆盖机械结构、电气传感、运动控制、遥操作、模仿学习与强化学习。

延伸阅读

补充最近整理过的热点入口。