bot_vault

Motion Capture 手套靈巧手控制：指尖端點 Admittance Control vs Retargeting 技術比較

11 min read

Motion Capture 手套靈巧手控制：指尖 Admittance Control vs Retargeting

Research Question

使用 Motion Capture 手套時，把指尖位置作為靈巧手各手指的 Cartesian 端點目標（Admittance Control），和把靈巧手做 Motion Retargeting（關節空間映射），在技術上有什麼核心差異？各自適合什麼場景？

Knowledge Map

  • Admittance Control — 力的輸入導致位置/速度輸出的控制框架。理解它是前提，才能知道「以指尖為端點」在接觸時的行為。
  • Impedance Control — Admittance 的對偶：位置輸入導致力輸出。兩者合稱 Interaction Control，適用接觸豐富場景。
  • Inverse Kinematics（IK） — Cartesian 端點目標需透過 IK 轉換為關節角度。IK 的奇異點和多解問題直接影響 Admittance 端點方法的可靠性。
  • Motion Retargeting — 人手和機器手形態不同（DOF 數、比例、關節耦合），Retargeting 是解決此形態差異的映射問題。
  • Dexterous Hand Kinematics — 靈巧手（如 Shadow、Allegro、ByteDexter）各有不同 DOF 耦合設計，影響哪種控制方式更適合。

Sources Gathered

新收錄來源：

Vault 中已有的相關筆記：

Key Findings

  1. 控制空間根本不同：Admittance Control 以指尖為端點是在 Cartesian 空間操作（Task Space），透過 IK 解出關節角；Retargeting 是在關節空間或幾何空間操作（Joint/Geometric Space），直接映射關節構型。

  2. 接觸順從性的差異是最關鍵的分岔：Admittance Control 天然具備接觸順從性——接觸力 → 指尖位置偏移，機器手在接觸時會「讓步」；純 Retargeting（位置控制模式）是剛性的，接觸時會施加無限制的力，需要外加獨立的力控制層才能順從。

  3. 形態差異處理方式相反：Admittance 端點方法的 IK 可以自然吸收人機手指比例差異（目標點相同，解路徑不同）；Retargeting 必須顯式設計縮放因子、關節耦合映射和碰撞避免懲罰才能處理形態差異（如 ByteDexter 的 Keyvector + 加權優化）。

  4. 中間關節構型的保真度相反：Admittance 端點方法只保證指尖到達目標位置，中間關節（PIP、DIP）由 IK Null-space 決定，可能與人手構型差異很大；Retargeting 保留整個手部構型的視覺相似性，適合 Imitation Learning 需要全關節觀測的場景。

  5. 資料品質對 Robot Learning 的意義：做 LfD 示範收集時，Retargeting 資料有完整的關節構型資訊（適合 Behavior Cloning）；Admittance 端點資料有精確的接觸力資訊（適合接觸豐富任務）。兩者各有不可替代的優勢。

Open Questions

  • 同一靈巧手能否混合兩種方式：部分手指用 Retargeting（需要構型保真），部分手指（如拇指）用 Admittance 端點（需要接觸順從）？
  • IK 奇異點在手指接近完全伸直或完全彎曲時如何處理？現有系統多採用 Damped Least Squares 或 Joint Limit 約束。
  • 若使用 Admittance 端點方法，Null-space 的 Secondary Objective 如何設計才能讓中間關節構型接近人手？

Report

方法一：以指尖為端點的 Admittance Control

運作方式

操作者戴 Motion Capture 手套，手套輸出各手指指尖的 3D 位置。這些 Cartesian 位置直接作為靈巧手各手指的「期望端點位置」輸入 Admittance Controller。Admittance Controller 的作用是：

輸入：接觸力 F_contact
輸出：端點位置修正量 Δx

期望端點 = 手套指尖位置 + Δx（由接觸力計算）
最終關節角度 = IK(期望端點)

當手指接觸物體產生接觸力時，Admittance 方程式 M·ẍ + B·ẋ = F_contact 決定指尖的讓步量。IK 在每個控制週期把修正後的指尖位置轉換成關節角度。

優勢

  • 接觸順從性內建：碰到東西不會用暴力，適合精密抓握脆弱物體
  • 尺寸差異自然吸收：人手和機器手指尖比例不同，IK 自動適應
  • 直覺對應：操作者感受到的就是「指尖被限制在某個位置」

缺點

  • IK 計算量大，且在奇異構型（手指完全伸直等）不穩定
  • Null-space 無法保證中間關節（PIP、DIP）構型與人手相似
  • 需要可靠的 F/T 感測器在每根手指，硬體門檻高
  • 適合剛體抓握，對需要精確手指構型的靈巧操作（如翻轉物體）控制直覺差

方法二：Motion Retargeting

運作方式

手套輸出關節角度（或關節角速度），透過映射函數轉換成機器手的關節角度指令。最常見的方法：

  1. 直接角度映射：人手關節角 → 縮放/偏移 → 機器手關節角（最簡單，但忽略形態差異）
  2. FK-IK 管道（如 DOGlove）：FK 計算人手指尖位置 → IK 計算機器手對應關節角，中間加縮放因子
  3. 幾何優化（如 ByteDexter Keyvector）：提取人手幾何向量 → 最小化人機手幾何向量差異的優化問題 → 機器手關節角

優勢

  • 保留完整的手部構型：適合 Behavior Cloning，示範資料包含全部關節信息
  • 計算可預測：固定映射的延遲穩定，不依賴 F/T 感測器
  • 形態差異可顯式設計：可針對特定靈巧手的機械特性（耦合、限位）定制映射
  • 現有系統成熟（Manus、DOGlove、Glovity 都採用此路線）

缺點

  • 無內建接觸順從性：位置控制模式下接觸時會施加無限制力，需外加獨立力控制層
  • 形態差異需顯式處理：拇指 Opposition 差異、DOF 不對稱等問題需大量工程調整
  • 操作者必須手動感知和調節接觸力（認知負荷高）

核心差異總表

維度指尖 Admittance ControlMotion Retargeting
控制空間Cartesian Task SpaceJoint/Geometric Space
接觸順從性內建（Admittance 公式）需外加力控層
中間關節保真低（IK Null-space 決定）高（映射保留構型）
形態差異處理IK 自然吸收比例差需顯式縮放/優化設計
IK 奇異點風險有無（關節空間操作）
LfD 資料品質接觸力資訊豐富構型資訊完整
硬體需求每指需 F/T 感測器只需關節角感測
適合任務接觸豐富、精密抓握構型相似性重要的靈巧操作

實際選擇建議

  • 目標是 Robot Learning 資料收集（Imitation Learning）：Retargeting 優先，因為完整關節構型資訊更利於 Behavior Cloning；可在 Retargeting 基礎上加輕量 Impedance 層保護設備。
  • 目標是接觸豐富的精密操作（組裝、插入、拿脆弱物體）：Admittance 端點方法更安全、更直覺，但要解決 IK 奇異點和 Null-space 問題。
  • 兩者結合：部分研究（如 Glovity 的架構概念）將 Retargeting 作為主要映射，再在機器人端加局部接觸 Impedance，是目前最實用的折中方案。

中文版

研究問題

Motion Capture 手套控制靈巧手時，「指尖位置作為 Admittance Control 端點」vs「靈巧手 Retargeting」的技術核心差異是什麼？

知識地圖

  • Admittance/Impedance Control — 接觸順從性的控制理論基礎
  • Inverse Kinematics — Cartesian 端點轉關節角的工具，有奇異點問題
  • Motion Retargeting — 解決人機形態差異的映射設計
  • 靈巧手運動學 — 各手的 DOF 耦合決定哪種方法更可行

關鍵發現

  1. 控制空間不同：Admittance 在 Cartesian 空間；Retargeting 在關節空間
  2. 接觸順從性：Admittance 內建；Retargeting 需外加
  3. 構型保真度：Admittance 只保證指尖；Retargeting 保留全部關節構型
  4. 形態差異：Admittance 透過 IK 自然吸收；Retargeting 需顯式設計映射
  5. LfD 資料：Admittance 富含力資訊；Retargeting 富含構型資訊

未解問題

  • 混合方法（部分手指 Admittance、部分 Retargeting）的可行性
  • IK 奇異點的實作解法
  • Null-space Secondary Objective 的設計以提升構型相似性

報告

詳見上方英文 Report 章節——包含完整技術比較表格與場景建議。

Graph View

Backlinks