通过强化学习与机械设计中的先验实现鲁棒手内操控

基于摘要分析。该研究针对机器人手内操控中手指—物体接触不确定性与重力扰动，提出分别嵌入强化学习和机械设计的两类互补物理先验，以改善持续手内滚动操控的鲁棒性。研究对象是多指机器人手的物体旋转，而非 EEG 解码或 BCI 算法。 方法上，全局抓取质量先验源于经典抓取分析，通过奖励塑形鼓励接触点合理分布，并改善抓取对最坏情况下外力与力矩的抵抗能力。局部接触几何先验基于指尖曲率，通过指尖形态设计机械性地塑造接触界面，使滚动更符合任务方向并减少偏轴漂移。其核心思路是同时约束学习过程与实体接触几何，而不只依赖策略学习复杂的手指步态。 作者报告，在三种物体、四种手掌朝向下开展的多指手内旋转评估中，这些先验改善了旋转效率、抓取稳定性和抗扰动能力。摘要未给出具体指标数值、对照基线及统计不确定性，不能据此判断提升幅度或两类先验各自的贡献。 强化学习算法、奖励具体形式、物体属性、指尖设计参数、训练与测试划分、实验载体及扰动设置均尚未验证；实验协议、消融及统计信息也需查阅全文。当前材料未建立与神经信号处理的具体机制对应关系，因此不据此提出 EEG/BCI 迁移效果或复现实验建议。