采了1800+工厂数据集，我们做了只21自由度仿生手

我们曾经在3月份和大家分享了小米机器人的全掌触觉仿生手设计，并且7月在小米汽车工厂里面进行新岗位的“实习”。柔性制造作为生产任务规模与灵巧操作多样性双高的典型智能工厂场景，是仿生手的天然验证训练场。我们一直在思考：是否可以以此为设计原点，挖掘高自由度仿生手在制造场景通用性的收益与价值。

基于小米汽车-智能制造部中试中心的1827个真实作业SOP，我们延续极致仿生路线，设计了一款21自由度、26电机混合驱动、1500点高密度全掌触觉的高自由度仿生手，分享工程优化过程中的技术思考。

01 场景主导设计：工厂1800+SOP数据集与分析验证

汽车工厂总装是典型的高柔性、多样性人工作业场景：工序耦合度高、操作自由度大、非结构化干扰多。

我们在小米汽车-智能制造部中试中心中，对16个典型工段2579个SOP中的1827个开展了真实作业SOP的多角度视频和动作捕捉采集，该数据集覆盖70.8%以上典型工段的人工作业工序。我们对采集的动捕数据集进行分类、切片、清洗和重定向等处理，并开展基于人手的多维数据分析和仿真。

作业动捕采集

同时，我们挑选工厂实际工具、零件和操作物构建仿真数字资产，在仿真中对高自由度仿生手进行多角度抓握仿真验证。

数字资产抓握仿真

▍自由度利用率分析

对每个自由度，我们用「实际作业中的活动范围 ÷ 人手该自由度的平均完整行程」来衡量它的利用程度——简单说，就是这个关节在干活时被用掉了几成。通过对数据的完整统计分析，得出如下利用率从高到低分布表。

利用率分析（内外旋自由度部分来自手掌自由度）

利用率统计显示：该数据覆盖的作业中，几乎所有被测自由度的利用率均超过 50%。这表明工序对人手全自由度覆盖与灵活性均有较高要求。其成因可分解为两点——其一，工序本身操作复杂度高；其二，人手运动具有多自由度协同特性，即完成特定动作时，多个自由度存在耦合运动，部分对目标动作无直接贡献的自由度亦会参与其中。

▍自由度耦合性分析

人手指关节存在天然耦合，以同一手指为例，DIP 关节的屈曲角度通常约为 PIP 关节的 1/3，且两者在运动中高度关联。这种固定比例关系意味着——两个独立的主动自由度，在人手上实际是联动的，可以用一个驱动源替代，即典型的欠驱动设计。基于这一思路，我们对工厂采集数据集计算了各关节间的自由度相关性，得到下方相关性矩阵（颜色越深，相关性越强），若两个关节的相关性超过某个阈值（如 0.8），即可认为它们具备做欠驱动耦合设计的潜力。人手的欠驱动并非刚性联动，这正是柔性握持与精细操作能力的来源，也是实际设计中需要重点权衡的因素。

自由度相关性计算统计

▍抓握分析验证

我们在仿真中对自由度开展消融分析。结果表明 17～21 自由度区间，平均稳定抓握成功率相比 6～15 区间提升了 15%～38%，其中 21 自由度在工厂操作覆盖度和抓握成功率上提升最大。继续提升自由度至 23 及以上时，抓握能力提升就明显放缓了，堆自由度的边际收益下降。

在真机抓握验证中，新的 21 自由度仿生手，针对实际工厂场景中的零件与工具开展多姿态抓握测试，相比前代低自由度版本，其抓握拟人度与抓握成功率均获得显著提升。

真机抓握验证

02 工程设计优化：面向高自由度集成的工程思考

新一代仿生手延续了拟人设计和腱绳驱动为主的设计思路，并综合选择了高自由度设计方案。这也意味着在驱动架构、结构堆叠、绳路设计、散热设计等工程落地方面，仍面临较高挑战和工程优化难题。

▍混合驱动设计

为了解决高自由度设计中的高密度结构堆叠问题，出于空间利用率的考虑，我们在绳驱为主的构型中融合了5个直驱自由度，并布局在对负载要求较低的关节，实现了高自由、负载能力、重量和运动范围的综合平衡，对可靠性和维护性也起到积极作用。由于绳驱电机主要集中在小臂部分，手掌重量仅324g，大幅降低了末端转动惯量，有效提升末端控制响应。

▍腱绳张力控制

为了补偿腱绳蠕变带来的非线性控制难题，我们设计了腱绳张力传感器，提升腱绳驱动力的控制精度和稳定性，维持长期绳路驱动的一致性和可靠性，实现对指间末端和抓握过程的精细力控。

张力传感器及张力控制系统示意图

▍热预测模型和散热织物

为了解决仿生手手臂上电机密集布局带来的散热难题，除之前分享的仿生汗腺探索外，我们也开展了热预测模型和新型散热织物的研究。

仿生手抓握操作存在大量非周期大电流保持工况，恶劣情况下单手功耗可达100W以上，热预测模型帮助在线监测和预测维持当前操作在未来5-10分钟的温度分布与变化趋势，估算超温剩余时间，提前进行任务调度、降低关节扭矩及调节风扇转速等热管理措施。

我们同步探索了两条热预测模型技术路线。一条从物理机理出发，建立电磁和热降阶模型，通过系统级仿真进行温度预测和状态校准；第二条路线从真实运行数据出发，采用机器学习方法通过状态校准和在线RLS学习持续修正模型参数。目前已经实现预测精度优于3℃。

热预测模型效果展示

小米机器人采用全身包布设计，增加了美观和亲和力的同时也对散热提出了更高要求。我们从高导热材质填充、表面辐射改性、自然吸湿蒸发等多技术路线出发，开展了高性能散热织物的探索。下面是新型散热织物相比常规织物在散热效能上的对比。

散热织物和普通织物效果对比

▍全掌触觉

新一代仿生手继承了前代触觉手套的设计思路，指间/指腹/指根处触觉空间分辨率达1mm，掌心触觉空间分辨率达2mm，实现全掌高密度覆盖，同时具备可更换和易维护性，也有利于开展人手同构的触觉数据采集和分析。下面是带触觉手套的仿生手抓握视频及触觉展示。

带触觉手套抓握展示