076、灵巧手与五指抓取：Shadow Hand与LEAP Hand的遥操作学习从一次抓取失败说起上周调试Shadow Hand遥操作的时候，我盯着示教数据里那只缓缓握拳的机械手，心里一阵发毛——五指弯曲的时序完全正确，但抓取一个纸杯时，食指和中指的指尖总是提前0.3秒碰到杯壁，导致整个抓取动作变成了一次“推搡”。这不是力控参数的问题，也不是视觉标定的问题，而是遥操作数据里隐含的“手指协同模式”没有被模型学到。后来我把示教数据里每根手指的关节角速度单独画出来，才发现人类手指在抓取时有一个极其微妙的“先屈后伸”的预调整动作，而Shadow Hand的关节空间里，这个动作被噪声淹没了。今天这篇笔记，就是围绕这个“预调整”问题展开的——我们到底该怎么让模型从遥操作数据里学到五指抓取的精髓，而不是机械地复现关节角度序列。硬件差异不是借口，是设计约束Shadow Hand和LEAP Hand是两种截然不同的“物种”。Shadow Hand有24个自由度，每个手指有独立的腱绳驱动，关节角分辨率高到可以捏起一枚硬币，但它的腱绳弹性导致关节响应有几十毫秒的滞后，而且手指之间的耦合非常强——你动一下无名指，小指会跟着抖。LEAP Hand是开源社区的新宠，只有16个自由度，但它的设计哲学是“够用就好”，关节刚性大，响应快，而且每个手指的独立控制性比Shadow Hand好得多。很多同学一上来就纠结“哪个硬件更适合做遥操作”，我的答案是：都适合，但你的数据采集策略必须跟着硬件特性走。Shadow Hand的腱绳滞后意味着你在示教时不能太快地做手指动作，否 076、灵巧手与五指抓取：Shadow Hand与LEAP Hand的遥操作学习从一次抓取失败说起上周调试Shadow Hand遥操作的时候，我盯着示教数据里那只缓缓握拳的机械手，心里一阵发毛——五指弯曲的时序完全正确，但抓取一个纸杯时，食指和中指的指尖总是提前0.3秒碰到杯壁，导致整个抓取动作变成了一次“推搡”。这不是力控参数的问题，也不是视觉标定的问题，而是遥操作数据里隐含的“手指协同模式”没有被模型学到。后来我把示教数据里每根手指的关节角速度单独画出来，才发现人类手指在抓取时有一个极其微妙的“先屈后伸”的预调整动作，而Shadow Hand的关节空间里，这个动作被噪声淹没了。今天这篇笔记，就是围绕这个“预调整”问题展开的——我们到底该怎么让模型从遥操作数据里学到五指抓取的精髓，而不是机械地复现关节角度序列。硬件差异不是借口，是设计约束Shadow Hand和LEAP Hand是两种截然不同的“物种”。Shadow Hand有24个自由度，每个手指有独立的腱绳驱动，关节角分辨率高到可以捏起一枚硬币，但它的腱绳弹性导致关节响应有几十毫秒的滞后，而且手指之间的耦合非常强——你动一下无名指，小指会跟着抖。LEAP Hand是开源社区的新宠，只有16个自由度，但它的设计哲学是“够用就好”，关节刚性大，响应快，而且每个手指的独立控制性比Shadow Hand好得多。很多同学一上来就纠结“哪个硬件更适合做遥操作”，我的答案是：都适合，但你的数据采集策略必须跟着硬件特性走。Shadow Hand的腱绳滞后意味着你在示教时不能太快地做手指动作，否 
