在最近的一篇 NeurIPS 25 中稿論文中，來自中山大學、加州大學 Merced 分校、中科院自動化研究所、誠橙動力的研究者聯合提出了一個全新開源的高自由度靈巧手平臺 — RAPID Hand (Robust, Affordable, Perception-Integrated, Dexterous Hand)。

論文標題：RAPID Hand: A Robust, Affordable, Perception-Integrated, Dexterous Manipulation Platform for Generalist Robot Autonomy論文地址：https://www.arxiv.org/abs/2506.07490項目主頁：https://rapid-hand.github.io/Github 地址：https://github.com/SYSU-RoboticsLab/RAPID-Hand

研究背景

靈巧操作能力是通用機器人實現多任務泛化的核心能力之一。無論是日常的家庭整理、物品歸置，還是輔助類服務任務，若缺乏靈巧的操作能力，機器人便難以真正完成復雜交互。

近年來，隨著多模態大模型（VLMs）在機器人控制中的逐步應用，研究者們開始將高質量的操作演示與預訓練模型結合，用于具身推理與通用操作策略學習，在模型架構和數據構造策略上取得了初步進展。

圖 1 遙操作手內物體平動對比： Allegro（上） 容易掉落，LEAP（中） 幾乎無明顯運動，而 RAPID（下） 實現了更自然的指間橫向移動。

然而，硬件瓶頸仍是機器人「動手」的關鍵障礙。首先，受限于末端執行器的可獲得性，大多數平臺仍依賴于雙指夾爪，難以完成手內操作、工具使用等細粒度操作任務。其次，當前多指硬件平臺在強調機械結構性能的同時，常常忽略感知系統的同步性與穩定性，導致數據丟幀、感知不同步等問題普遍存在。例如已有研究 [1] 顯示，多模態傳感器集成時常伴隨 4.4% 的掉幀率與高達 15–100ms 的模態延遲。這些問題直接限制了操作技能的多樣性，也阻礙了高質量、可復現的真實演示數據的采集。

圖 2 RAPID Hand 具有 20 自由度（DoF）的類人結構，集成了腕部視覺、指尖觸覺和本體感覺等多模態感知能力，支持毫秒級的時空同步與精準的空間對齊，并提供高自由度的遙操作接口，旨在以低成本、高質量的數據，助力通用機器人靈巧操作的研究。

研究動機：多指操作能否穩定、高效采集？

高質量的真實機器人演示數據對于訓練通用操作策略至關重要，但要實現穩定可靠的數據采集，仍缺乏一套緊湊、經濟且具備高自由度的多指靈巧手系統。

挑戰主要來自兩個方面：一是驅動與傳動結構的復雜性。電機布局不僅要兼顧低成本和高輸出力，還需在指尖靈活性、結構緊湊性與類人關節運動學之間取得平衡，否則極易導致結構臃腫或不自然的關節運動；二是多模態感知在運動過程中容易出現斷連與丟包，傳感器間的延遲差異與不同步問題也會影響感知數據的一致性與完整性。

基于此，研究者們提出一個關鍵問題：能否構建一個軟硬件高度集成、結構清晰的靈巧手操作平臺，為穩定、高質量的數據采集提供可靠支撐？本研究正是圍繞這一挑戰展開，研究者們從硬件與軟件兩個層面協同設計，構建了 RAPID Hand 平臺，力求在感知集成、結構設計與控制接口之間形成一致、穩定的閉環支持。

圖 3 手指尺寸與運動學對比：對 RAPID、LEAP 和 Allegro 三種靈巧手的手指尺寸和運動學特性比較。

手部本體設計

在硬件結構方面，RAPID Hand 采用緊湊的 20 自由度手部本體設計，并引入統一的多指節驅動與傳動方案。通過對電機布局的系統優化（如圖 4 所示），手指厚度被控制在 20 毫米，兼顧結構緊湊與驅動性能。具體而言，該方案在遠端關節（DIP 與 PIP）采用直接驅動，近端關節（MCP）則引入并聯機構，實現高效、獨立的多指節控制。

圖 4 RAPID Hand 所采用的統一多指節驅動方案。除拇指外，各手指的 DIP 和 PIP 關節，以及拇指的 DIP 和 MCP 關節，均由安裝于指節的電機直接驅動；而除拇指外各手指的 MCP 關節與拇指的 CMC 關節則通過并聯機構驅動，從而實現全手 20 自由度的獨立控制。

此外，研究者們提出了一種硬件級的全手感知同步框架，可穩定集成腕部視覺、指尖觸覺與本體感覺三類傳感信息，實現高精度的時序對齊（如圖 5 所示）。

圖 5 硬件級全手感知集成框架示意圖。展示了視覺、觸覺和本體感覺傳感器的布局，以及電子元件與走線排布。

學習靈巧操作技能

在軟件系統方面，研究者們開發了一套高自由度的遙操作接口，可高效采集多樣化的接觸豐富的操作任務演示。最終，RAPID Hand 被構建為軟硬協同優化的平臺：緊湊的 20 自由度手部結構、穩定的全手感知集成框架與高自由度遙操作接口三者協同設計，實現了從數據采集到策略部署的閉環鏈條，確保硬件耐用、感知穩定，并支持靈巧操作任務中高效、高質量的演示數據采集。

基于該靈巧操作平臺，研究者們在三個具有挑戰性的手內操作任務上訓練一個擴散模型，以驗證 RAPID Hand 的性能。在實驗中，基于 RAPID Hand 訓練的策略在操作表現與穩定性方面均優于已有方法。據我們所知，RAPID Hand 在手部結構設計與多模態感知集成兩方面均優于現有代表性靈巧手（LEAP、 Allegro），同時具備低成本、高可獲得性的優勢。

圖 6 手內平動與滾動任務對比。上中兩圖展示了 RAPID Hand 在無需加速播放的情況下自主完成物體的手內滾動和平移操作；下圖為先前方法 [2] 的效果。與其固定機械臂末端、依賴桌面支撐等簡化設置不同，RAPID Hand 在放寬這些限制條件下，仍實現了穩定的自主操作。

圖 7 多指翻找任務對比。上圖展示了 RAPID Hand 在無需加速播放的情況下自主完成類似人類翻找抽屜的多指翻找任務。相比之下，RAPID 所訓練的策略在操作表現上顯著優于同期僅依賴單指掃動并使用 ArUco 標記進行感知的方法 [3]。

[1] RoboPanoptes: The All-seeing Robot with Whole-body Dexterity. CoRL 2025.

[2] Tilde: Teleoperation for Dexterous In-Hand Manipulation Learning with a DeltaHand. RSS 2024.

[3] Retrieval Dexterity: Efficient object retrieval in clutter with a dexterous hand. ArXiv 2025.