RUKA: Rethinking the Design of Humanoid Hands with Learning

Motivation

• Known: 로봇 손의 기존 설계들은 정밀성, 컴팩트성, 강도, 저비용 중 일부만 만족하며 trade-off를 요구한다. Tendon-driven 설계는 컴팩트하고 강력하지만 비선형성과 불확실성으로 인해 제어가 어렵다.
• Gap: 기존의 tendon-driven 손들은 joint encoder를 통해 closed-loop control을 구현하려 하지만 비용이 높고 유지보수가 어렵다. Learning-based 접근으로 encoder 없이 tendon-driven 손을 효과적으로 제어할 수 있는 방법이 부족하다.
• Why: 저비용의 anthropomorphic robotic hand는 로봇 연구의 접근성을 높이고, human demonstration 기반 학습을 용이하게 하며, 실제 환경에서의 응용을 확대할 수 있다.
• Approach: MANUS motion-capture glove를 로봇 손에 장착하여 joint와 fingertip position 데이터를 수집하고, 이를 통해 joint-to-actuator 및 fingertip-to-actuator models를 학습한다.

Achievement

Fig. 2: (A) A Venn diagram of a variety of robotic hands [1, 44, 43, 13, 24, 11] demonstrates RUKA’s unique combination

• 오픈소스 하드웨어 설계: $1,300 이하의 비용으로 제작 가능하며 7시간 내에 조립 가능한 완전 open-source tendon-driven hand 제공
• Data-driven control approach: MANUS glove를 활용한 자동화된 데이터 수집으로 복잡한 tendon 비선형성을 학습 모델로 해결
• 우수한 성능 비교: LEAP, Allegro 등 기존 손들 대비 reachability, durability, strength에서 우수함을 실증
• 실제 응용 검증: Teleoperation 작업에서 dexterous movement 수행 능력 입증

How

Fig. 3: (A) Joints enable 15 degrees of freedom of RUKA labeled with their corresponding joint names. (B) The splay of t

• MANUS motion-capture glove를 RUKA 손에 장착하여 encoder 없이도 정확한 joint 및 fingertip position 데이터 획득
• procedurally sampling을 통해 motor limits 내에서 actuation command를 자동으로 변화시켜 (actuator command, joint/fingertip position) 쌍 데이터 대규모 수집
• 수집된 데이터로부터 joint-to-actuator model과 fingertip-to-actuator model 학습
• 학습된 모델을 통한 inverse control: 목표 position이 주어질 때 필요한 actuator command 예측
• Tendon-driven 메커니즘의 복잡한 kinematics를 완전히 모델링하지 않고 data-driven 방식으로 근사

Originality

• Motion-capture glove를 로봇 손에 직접 장착하는 혁신적 데이터 수집 방식: 기존 Vicon, IR sensor, AR tag 기반 방법보다 간편하고 확장성 높음
• Morphological accuracy를 활용한 human demonstration 직접 활용 전략으로 retargeting 복잡성 제거
• 저비용 tendon-driven 설계와 learning-based control의 결합으로 hardware trade-off 재고찰
• 완전 open-source로 재현성과 접근성 강조한 연구 문화 기여

Limitation & Further Study

• 학습된 모델의 generalization 성능과 distribution shift에 대한 robustness 평가 부족
• Tendon 탄성, 마찰, 히스테리시스 등 비모델링 요인이 실제 제어에 미치는 영향 분석 제한적
• Dexterous manipulation 작업(복잡한 in-hand manipulation 등)에서의 autonomous learning 성능 미제시
• 15 DOF 대비 11 actuator의 underactuation이 특정 grasp 형태에 미치는 제약 조건 심화 분석 필요
• 후속연구: reinforcement learning으로 closed-loop autonomous control policy 학습, soft finger design으로 compliance 추가 연구, 다양한 object manipulation 벤치마크 확대

Evaluation

총평: RUKA는 learning-based control과 실용적 hardware 설계를 결합하여 저비용 대 성능 비율에서 로봇 손 영역의 새로운 기준을 제시하며, open-source 공개로 접근성을 극대화한 의미 있는 기여이다.