FIRMGrasp：基于摩擦信息风险裕度的稳健抓取合成
传统抓取质量度量假设单一摩擦系数，无法预测接触表面摩擦变化时的力闭合丧失。本文提出FIRMGrasp，基于条件风险价值（CVaR）的摩擦波动感知度量，评估风险调整后的力闭合裕度。实验表明，在1599个抓取中，传统Ferrari-Canny度量认定的高质量抓取有53%在不利摩擦下失效，而FIRMGrasp的排序准确率显著更高。
机器人抓取是操作任务的核心能力，但传统的抓取质量度量方法（例如广泛使用的Ferrari-Canny epsilon）存在一个根本性缺陷：它们假定接触表面的摩擦系数是单一且确定的。然而，在实际应用中，由于材料特性、表面污染、润滑状态等因素，摩擦系数往往存在显著波动。当实际摩擦低于设计假设时，原本被认为可靠的抓取可能丧失力闭合，导致物体滑落或操作失败。
为了应对这一挑战，来自Clinton Enwerem等人的研究团队提出了FIRMGrasp——一种全新的摩擦波动感知型抓取质量度量框架。FIRMGrasp的核心创新在于将金融风险管理中成熟的条件风险价值（Conditional Value-at-Risk, CVaR）概念引入机器人抓取分析。传统方法仅评估名义摩擦系数下的力闭合裕度，而FIRMGrasp则关注不利摩擦分布尾部（即最坏情况）下的预期力闭合能力。具体而言，它定义了一个风险调整后的裕度ε(β)，表示风险调整力旋量空间的内接球半径，其中β是置信水平。
研究严格证明了ε(β)具有三个关键性质：在置信水平β上的单调性（β越高，裕度越保守）、关于抓取参数的可微性（便于梯度优化），以及概率闭合保证——只要ε(β)为正，抓取在至少β的概率下保持力闭合。这些性质使得FIRMGrasp既可用于评估已有抓取，也可集成到抓取合成的优化流程中。
为了验证有效性，研究人员在LEAP Hand和Allegro Hand两种机器人手上开展了大规模实验，共测试了1599个抓取。结果令人警醒：传统Ferrari-Canny度量认证为高质量的抓取中，有高达53%在不利摩擦条件下失去了力闭合。在排序能力方面，传统度量区分抓取在摇动测试和取放任务中成功率的概率分别仅为0.53和0.67（摇动成功率几乎与随机猜测无异），而FIRMGrasp将这两个概率提升到了0.63和0.78。在模拟提升实验中，当摩擦系数被设定为不利的0.2时，经FIRMGrasp认证的抓取在侧向拉力下达到了70%的成功率，而被FIRMGrasp拒绝但被传统度量接受的抓取成功率仅为25%。
FIRMGrasp的意义不仅在于提供了一种更可靠的评估工具，更在于为风险感知型抓取合成开辟了道路。其可微性使之可以无缝嵌入基于梯度的优化框架，而概率保证则为实际部署中的不确定性管理提供了数学基础。未来，该方法有望扩展到多指操作、装配等更复杂的力闭合分析任务中，对机器人操作领域的研究和产品化产生深远影响。