FIRMGrasp：基於摩擦信息風險裕度的穩健抓取合成

機器人抓取是操作任務的核心能力，但傳統的抓取質量度量方法（例如廣泛使用的Ferrari-Canny epsilon）存在一個根本性缺陷：它們假定接觸表面的摩擦係數是單一且確定的。然而，在實際應用中，由於材料特性、表面污染、潤滑狀態等因素，摩擦係數往往存在顯著波動。當實際摩擦低於設計假設時，原本被認為可靠的抓取可能喪失力閉合，導致物體滑落或操作失敗。

為了應對這一挑戰，來自Clinton Enwerem等人的研究團隊提出了FIRMGrasp——一種全新的摩擦波動感知型抓取質量度量框架。FIRMGrasp的核心創新在於將金融風險管理中成熟的條件風險價值（Conditional Value-at-Risk, CVaR）概念引入機器人抓取分析。傳統方法僅評估名義摩擦係數下的力閉合裕度，而FIRMGrasp則關注不利摩擦分佈尾部（即最壞情況）下的預期力閉合能力。具體而言，它定義了一個風險調整後的裕度ε(β)，表示風險調整力旋量空間的內接球半徑，其中β是置信水平。

研究嚴格證明了ε(β)具有三個關鍵性質：在置信水平β上的單調性（β越高，裕度越保守）、關於抓取參數的可微性（便於梯度優化），以及概率閉合保證——只要ε(β)為正，抓取在至少β的概率下保持力閉合。這些性質使得FIRMGrasp既可用於評估已有抓取，也可集成到抓取合成的優化流程中。

為了驗證有效性，研究人員在LEAP Hand和Allegro Hand兩種機器人手上開展了大規模實驗，共測試了1599個抓取。結果令人警醒：傳統Ferrari-Canny度量認證為高質量的抓取中，有高達53%在不利摩擦條件下失去了力閉合。在排序能力方面，傳統度量區分抓取在搖動測試和取放任務中成功率的概率分別僅為0.53和0.67（搖動成功率幾乎與隨機猜測無異），而FIRMGrasp將這兩個概率提升到了0.63和0.78。在模擬提升實驗中，當摩擦係數被設定為不利的0.2時，經FIRMGrasp認證的抓取在側向拉力下達到了70%的成功率，而被FIRMGrasp拒絕但被傳統度量接受的抓取成功率僅為25%。

FIRMGrasp的意義不僅在於提供了一種更可靠的評估工具，更在於為風險感知型抓取合成開闢了道路。其可微性使之可以無縫嵌入基於梯度的優化框架，而概率保證則為實際部署中的不確定性管理提供了數學基礎。未來，該方法有望擴展到多指操作、裝配等更復雜的力閉合分析任務中，對機器人操作領域的研究和產品化產生深遠影響。