本章深入探讨灵巧手设计中的两个核心概念：欠驱动机构和柔顺机构。欠驱动通过减少驱动器数量实现低成本、高鲁棒性的自适应抓取；柔顺机构则利用材料变形存储和释放能量，实现被动顺应和安全交互。这两种设计理念的结合，为现代灵巧手带来了革命性的突破，特别是在非结构化环境下的物体操作任务中展现出独特优势。本章将从基础原理出发，逐步深入到工程实现和优化设计，最终通过工业案例和前沿研究展示这些技术的实际应用价值。
欠驱动系统是指独立控制输入数量少于系统自由度数量的机械系统。对于一个具有 $n$ 个自由度的灵巧手，如果只有 $m$ 个独立驱动器（$m < n$），则该系统为欠驱动系统。欠驱动度定义为：
\[U = n - m\]其中 $U > 0$ 表示系统欠驱动。这种设计带来的直接好处是减少了驱动器数量、控制复杂度和系统成本，但代价是失去了对所有自由度的独立控制能力。
欠驱动手指通过机械耦合实现自适应包络抓取。当手指接触物体时，接触力会自动分配到各个关节，实现形状自适应。这个过程可以用虚功原理描述：
\[\tau_{input} = J^T F_{contact}\]其中 $\tau_{input}$ 是输入扭矩，$J$ 是传动雅可比矩阵，$F_{contact}$ 是接触力向量。传动雅可比矩阵的设计决定了力的传递特性。
欠驱动手指的关键在于合理的传动比设计。对于串联的三关节手指，传动比通常遵循递减原则：
\[r_1 : r_2 : r_3 = 1 : \alpha : \alpha^2\]其中 $\alpha \in (0.5, 0.8)$ 是传动比系数。这种设计确保指尖具有更大的运动范围和更灵活的适应能力。
Base Tip
│ │
┌─┴─┐ ┌───┐ ┌───┐ ▼
│ J1├───┤ J2├───┤ J3│
└───┘ └───┘ └───┘
r1 r2 r3
欠驱动手指的抓取过程可分为三个阶段：
力分配遵循最小能量原理，可通过拉格朗日乘数法求解：
\(\min \frac{1}{2} F^T W F\) \(s.t. \quad GF = \tau_{ext}\)
其中 $W$ 是权重矩阵，$G$ 是抓取矩阵，$\tau_{ext}$ 是外部负载。
差动机构允许单一输入驱动多个输出，并根据负载自动分配运动。最典型的是行星齿轮差动机构：
Sun Gear (Input)
○
╱ │ ╲
○ │ ○ Planet Gears
╲ │ ╱
┌───┴───┐
│Carrier│
└───┬───┘
Output 1,2
差动方程为： \(\omega_{sun} = \omega_{carrier} + k \cdot \omega_{ring}\)
其中 $k$ 是齿轮比，通过控制太阳轮和齿圈的相对运动实现差动输出。
滑轮组提供了另一种实现欠驱动的方法。N+1腱绳系统使用 $N+1$ 根腱绳控制 $N$ 个关节：
Motor ──┬── Pulley 1 ── Joint 1
├── Pulley 2 ── Joint 2
└── Pulley 3 ── Joint 3
腱绳张力与关节扭矩的关系： \(\tau = R \cdot T\)
其中 $R$ 是滑轮半径矩阵，$T$ 是腱绳张力向量。通过设计不同的滑轮半径实现期望的传动比。
耦合矩阵 $C$ 描述了输入与输出之间的运动关系：
\[q = C \cdot \theta\]其中 $q$ 是关节角度向量，$\theta$ 是驱动器角度向量。对于欠驱动系统，$C$ 是非方阵（行数大于列数）。
设计原则：
结合弹簧和离合器可实现更复杂的欠驱动行为：
\[F_{joint} = \begin{cases} k(x - x_0) & \text{if } x < x_{limit} \\ F_{max} & \text{if } x \geq x_{limit} \end{cases}\]这种机制允许关节在接触后继续传递有限的力，提高抓取稳定性。
柔顺机构通过材料的弹性变形实现运动和力的传递，分为：
柔顺度矩阵 $C$ 描述了力与变形的关系： \(\delta = C \cdot F\)
伪刚体模型将连续体柔顺机构等效为由刚性杆件和扭转弹簧组成的机构：
Flexible Beam Pseudo-Rigid Model
═══════════ → ───○───○───
Spring Joints
等效弹簧刚度： \(K_{eq} = \frac{EI}{l \cdot \gamma}\)
其中 $E$ 是弹性模量，$I$ 是截面惯性矩，$l$ 是长度，$\gamma$ 是特征半径系数（通常取0.85）。
使用卡氏定理计算柔顺机构的变形：
\[\delta_i = \frac{\partial U}{\partial F_i}\]其中 $U$ 是弹性势能： \(U = \frac{1}{2} \int_V \sigma^T \epsilon \, dV\)
对于细长梁结构，可简化为： \(U = \frac{1}{2} \int_0^L \frac{M^2(x)}{EI} \, dx\)
当变形超过线性范围时，需要考虑几何非线性：
\[\kappa(s) = \frac{d\theta}{ds}\]其中 $\kappa$ 是曲率，$s$ 是弧长参数。椭圆积分法可用于求解大变形问题：
\(x = \int_0^s \cos\theta(\xi) \, d\xi\) \(y = \int_0^s \sin\theta(\xi) \, d\xi\)
利用屈曲失稳实现双稳态机构：
\[F_{critical} = \frac{\pi^2 EI}{(KL)^2}\]其中 $K$ 是有效长度系数。通过预应力设计可调节稳态位置：
\[U(\theta) = \frac{1}{2}k\theta^2 - F\cdot l\sin\theta\]极值点满足： \(\frac{dU}{d\theta} = k\theta - F\cdot l\cos\theta = 0\)
柔顺机构的性能很大程度上取决于材料选择。主要考虑的材料参数包括：
超弹性本构模型（Neo-Hookean）： \(W = \frac{\mu}{2}(I_1 - 3) + \frac{K}{2}(J - 1)^2\)
其中 $\mu$ 是剪切模量，$K$ 是体积模量，$I_1$ 是第一不变量，$J$ 是体积比。
硅胶（如Dragon Skin、Ecoflex）适用于需要大变形的应用：
材料选择准则：
混合配方优化： \(E_{composite} = \phi_1 E_1 + \phi_2 E_2 + \phi_{12} E_{interface}\)
其中 $\phi_i$ 是体积分数，$E_{interface}$ 考虑界面效应。
TPU提供了刚度和韧性的平衡：
打印参数对性能的影响：
各向异性模型： \(E_{effective} = E_{\parallel} \cos^4\theta + E_{\perp} \sin^4\theta + G_{12} \sin^2(2\theta)\)
SMA提供主动驱动能力：
相变温度与应力关系（Clausius-Clapeyron）： \(\frac{d\sigma}{dT} = -\rho \frac{\Delta H}{T \epsilon_{tr}}\)
其中 $\Delta H$ 是相变潜热，$\epsilon_{tr}$ 是变形应变。
SMA弹簧设计： \(F = \frac{Gd^4}{8D^3n} \cdot \delta\)
其中 $G$ 是剪切模量（马氏体：28 GPa，奥氏体：75 GPa），$d$ 是线径，$D$ 是弹簧直径，$n$ 是有效圈数。
功能梯度材料（FGM）实现刚度渐变：
\[E(x) = E_{min} + (E_{max} - E_{min}) \cdot f(x)\]其中 $f(x)$ 是分布函数（线性、指数或幂函数）。
纤维增强设计： \(E_{composite} = V_f E_f + (1-V_f) E_m\)
其中 $V_f$ 是纤维体积分数，下标 $f$ 和 $m$ 分别表示纤维和基体。
拓扑优化通过材料分布最优化实现性能目标：
目标函数（最小化柔顺度）： \(\min_{\rho} \quad C = U^T K U\) \(s.t. \quad V(\rho) \leq V_{max}\) \(\quad \quad 0 < \rho_{min} \leq \rho \leq 1\)
其中 $\rho$ 是密度分布，$K$ 是刚度矩阵，$U$ 是位移向量。
SIMP方法（Solid Isotropic Material with Penalization）： \(E(\rho) = \rho^p E_0\)
其中 $p$ 是惩罚因子（通常取3）。
对于柔顺机构，需要同时考虑刚度和柔性：
多目标优化： \(\min \quad J = -\frac{u_{out}}{u_{in}} + w \cdot C\)
其中第一项最大化运动放大率，第二项控制结构刚度。
敏感度分析： \(\frac{\partial J}{\partial \rho_e} = -p\rho_e^{p-1} U_e^T K_0 U_e\)
贝塞尔曲线描述柔性铰链轮廓：
\[P(t) = \sum_{i=0}^n \binom{n}{i} (1-t)^{n-i} t^i P_i\]NURBS曲面用于复杂3D结构： \(S(u,v) = \frac{\sum_{i,j} w_{ij} P_{ij} N_i(u) N_j(v)}{\sum_{i,j} w_{ij} N_i(u) N_j(v)}\)
梯度优化方法：
\[x^{k+1} = x^k - \alpha \nabla f(x^k)\]约束处理（增广拉格朗日法）： \(L_{\rho}(x,\lambda) = f(x) + \lambda^T g(x) + \frac{\rho}{2} ||g(x)||^2\)
最小特征尺寸约束： \(\nabla \cdot (\rho \nabla \rho) \geq \beta\)
对称性约束： \(\rho(x,y) = \rho(-x,y)\)
连通性保证（水平集方法）： \(\frac{\partial \phi}{\partial t} + V_n |\nabla \phi| = 0\)
Yale OpenHand项目pioneered了开源欠驱动手设计，其核心创新包括：
SDM手指（Shape Deposition Manufacturing）：
关键设计参数：
Model T系列： 采用四连杆差动机构： \(\theta_{distal} = \alpha \cdot \theta_{proximal} + \beta \cdot \theta_{differential}\)
其中 $\alpha = 1.5$，$\beta = 0.8$ 实现指尖优先接触。
Soft Robotics的mGrip系统展示了柔顺机构的工业应用：
技术特点：
控制策略： 压力-变形模型： \(F_{grip} = A \cdot P \cdot (1 - e^{-\kappa \cdot \delta})\)
其中 $A$ 是有效面积，$P$ 是压力，$\kappa$ 是材料常数，$\delta$ 是变形量。
| 指标 | Yale OpenHand | Soft Robotics | 传统刚性夹爪 |
|---|---|---|---|
| 自适应能力 | 高 | 极高 | 低 |
| 抓取力 | 15-20N | 5-40N | 50-200N |
| 位置精度 | ±5mm | ±10mm | ±0.1mm |
| 成本 | 低 | 中 | 高 |
| 维护需求 | 低 | 极低 | 高 |
食品行业：
物流分拣：
协作机器人：
传统的柔顺机构设计是正向过程：给定结构参数预测性能。逆向设计则相反：给定期望性能，自动生成满足要求的结构。这是一个典型的逆问题，存在以下挑战：
问题形式化： \(\mathcal{D}^* = \arg\min_{\mathcal{D}} \mathcal{L}(f(\mathcal{D}), \mathcal{P}_{target})\)
其中 $\mathcal{D}$ 是设计参数，$f$ 是正向仿真，$\mathcal{P}_{target}$ 是目标性能，$\mathcal{L}$ 是损失函数。
变分自编码器（VAE）架构：
编码器学习设计空间的潜在表示： \(q_\phi(z|x) = \mathcal{N}(\mu_\phi(x), \sigma_\phi^2(x))\)
解码器生成设计参数： \(p_\theta(x|z) = \mathcal{N}(\mu_\theta(z), \sigma_\theta^2(z))\)
损失函数： \(\mathcal{L} = \mathbb{E}_{q_\phi(z|x)}[\log p_\theta(x|z)] - D_{KL}(q_\phi(z|x)||p(z))\)
条件生成对抗网络（cGAN）：
生成器损失： \(\mathcal{L}_G = \mathbb{E}_{z,c}[\log(1-D(G(z|c),c))] + \lambda||\mathcal{P}(G(z|c)) - c||^2\)
其中 $c$ 是性能条件，第二项确保生成设计满足性能要求。
将设计过程建模为马尔可夫决策过程（MDP）：
策略梯度方法（PPO）： \(\mathcal{L}^{CLIP}(\theta) = \mathbb{E}_t[\min(r_t(\theta)\hat{A}_t, \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon)\hat{A}_t)]\)
| 其中 $r_t(\theta) = \frac{\pi_\theta(a_t | s_t)}{\pi_{\theta_{old}}(a_t | s_t)}$，$\hat{A}_t$ 是优势函数估计。 |
结合物理约束的神经网络训练：
\[\mathcal{L} = \mathcal{L}_{data} + \lambda_1 \mathcal{L}_{PDE} + \lambda_2 \mathcal{L}_{BC}\]PDE约束（弹性力学）： \(\mathcal{L}_{PDE} = ||\nabla \cdot \sigma + f||^2\)
边界条件约束： \(\mathcal{L}_{BC} = ||u|_{\Gamma_D} - u_0||^2 + ||\sigma \cdot n|_{\Gamma_N} - t_0||^2\)
问题设定： 设计软体手指形状以实现特定抓取力分布。
网络架构：
Input: Force Distribution (100D)
↓
Encoder: FC(256) → FC(128) → FC(64)
↓
Latent Space (32D)
↓
Decoder: FC(64) → FC(128) → FC(256)
↓
Output: Finger Geometry (Bezier Control Points, 20D)
训练数据生成：
结果验证：
多尺度设计： 同时优化宏观结构和微观材料分布： \(\mathcal{D} = \{\mathcal{D}_{macro}, \mathcal{D}_{meso}, \mathcal{D}_{micro}\}\)
自适应材料编程： 学习时变刚度分布： \(E(x,t) = NN_\theta(x, t, \tau)\)
其中 $\tau$ 是任务参数。
仿真-实物迁移： 域适应技术缩小sim-to-real gap： \(\mathcal{L}_{DA} = \mathcal{L}_{task} + \lambda \cdot \mathcal{L}_{MMD}(P_{sim}, P_{real})\)
本章系统介绍了欠驱动与柔顺机构在灵巧手设计中的应用。核心要点包括：
关键公式回顾：
习题 2.1 一个三关节欠驱动手指，每个关节的运动范围为0-90度。如果采用传动比 $r_1:r_2:r_3 = 1:0.7:0.49$，当驱动器转动120度时，计算各关节的理论转角（假设无负载）。
提示：考虑传动比的累积效应
习题 2.2 设计一个柔性铰链，要求在5N的力作用下产生15度的转角。如果使用TPU材料（E=50MPa），铰链长度为10mm，计算所需的截面惯性矩。
提示：使用伪刚体模型，$K_{eq} = \frac{EI}{l \cdot \gamma}$，其中$\gamma = 0.85$
习题 2.3 一个滑轮-腱绳系统有3个滑轮，半径分别为10mm、15mm、20mm。如果腱绳张力为10N，计算各关节产生的扭矩。
提示：扭矩=半径×张力
习题 2.4 设计一个欠驱动两指夹爪，要求能够自适应抓取直径20-100mm的圆柱形物体。请确定： a) 手指长度和关节数量 b) 传动比设计 c) 驱动器扭矩要求（抓取力目标20N）
提示：考虑几何约束和力传递效率
习题 2.5 使用拓扑优化设计一个柔顺放大机构，输入位移1mm，输出位移5mm。给定设计域100mm×50mm，体积约束30%。写出优化问题的数学形式并讨论求解策略。
提示：考虑几何增益和结构刚度的平衡
习题 2.6 分析一个硅胶软体手指在大变形下的行为。手指长度80mm，截面10mm×5mm，材料Neo-Hookean模型（μ=0.1MPa）。当指尖受到5N横向力时，估算指尖位移。
提示：需要考虑几何非线性
习题 2.7（开放性思考题） 如何结合欠驱动和柔顺机构的优势，设计一个能够操作易碎物品（如鸡蛋）的机械手？讨论设计要点、材料选择和控制策略。
习题 2.8 设计一个基于形状记忆合金的自适应刚度手指。要求在常温下柔软（便于被动适应），加热后变硬（提供抓取力）。给出设计方案和性能估算。