Standard Open Arm 100柔顺抓取设计:柔性夹具3D打印与测试
2026-02-05 04:29:07作者:胡唯隽
柔顺抓取的核心痛点
传统工业机械臂的刚性夹具在抓取易碎物品(如玻璃器皿、水果)或复杂形状物体时,常因力度控制不当导致物品损坏或滑落。SO-100(Standard Open Arm 100)项目的柔顺抓取设计通过柔性材料与仿生结构结合,解决了这一难题。其核心优势在于:无需精确控制抓取力度,夹具可通过自身形变适应物体轮廓,降低对传感器和算法的依赖。
设计原理与结构解析
SO-100的柔顺抓取模块基于Fin Ray Effect®(鳍条效应) 原理设计,该结构受鱼类胸鳍运动启发,当受到外力时会向受力方向弯曲并产生均匀的夹持力。主要组件包括:
- 柔性移动夹爪(Compliant Moving Jaw):采用中空网格结构,通过TPU材料的弹性形变实现自适应抓取
- 柔性腕部连接件(Compliant Wrist Roll Follower):减少抓取过程中的刚性冲击,提升操作稳定性
核心部件技术参数
| 部件名称 | 材料 | 邵氏硬度 | 打印方向 | 关键特性 |
|---|---|---|---|---|
| Compliant_Moving_Jaw_SO101.stl | TPU 95A | 95 Shore A | 水平放置 | 3条平行弹性筋,最大形变±15mm |
| Compliant_Wrist_Roll_Follower_SO101.stl | TPU 95A | 95 Shore A | 垂直放置 | 十字形柔性关节,旋转角度±20° |
3D打印全流程指南
设备与材料准备
推荐使用支持柔性材料打印的FDM打印机,如:
- Prusa MINI+(需更换柔性材料送料组件)
- Bambu Lab X1(配备TPU专用打印头)
- Creality Ender-3 S1(直接支持TPU打印)
材料选择:TPU 95A(建议使用品牌如Ninjaflex、eSUN),需满足:
- 熔融温度:220-240°C
- 打印床温度:60°C
- 打印速度:20-40mm/s(低于普通PLA打印速度)
切片参数设置
以PrusaSlicer为例,关键参数配置:
层高:0.2mm
壁厚:1.2mm(6层)
填充密度:20%(网格填充)
支撑:仅接触底板(水溶性PVA支撑更佳)
回抽距离:4-6mm
回抽速度:30mm/s
打印步骤与注意事项
- 床面预处理:使用PEI涂层床面或涂抹专用胶水,防止TPU冷却收缩后翘边
- 温度校准:先用废丝测试220°C、230°C、240°C三个温度下的挤出流畅度
- 支撑移除:打印完成后静置30分钟再取下,使用尖嘴钳小心剥离支撑结构
- 后处理:用80°C热水浸泡10分钟去除残留支撑,自然晾干后装配
⚠️ 注意:TPU打印时需关闭风扇冷却,避免材料因快速冷却产生内应力开裂
装配与测试流程
工具准备
- M3内六角扳手(推荐套装参数)
- 异丙醇清洁布(去除打印残留油污)
- 扭矩螺丝刀(设定2.5N·m扭矩,防止滑丝)
装配步骤
- 拆除原刚性夹爪,保留金属连接轴
- 将柔性夹爪通过M3×12mm螺丝固定到腕部关节
- 安装柔性腕部连接件,确保转动无卡顿
- 连接Motor Control Board进行电气调试
功能测试方案
1. 形变性能测试
| 测试项目 | 测试方法 | 合格标准 |
|---|---|---|
| 夹爪开合角度 | 控制伺服电机从0°到180°转动 | 全程无卡顿,最小抓取直径≤5mm |
| 负载形变 | 抓取500g砝码保持10秒 | 永久形变≤0.5mm |
| 疲劳寿命 | 1000次开合循环测试 | 无裂纹或断裂 |
2. 实际抓取效果对比
| 测试物体 | 传统刚性夹爪 | 柔顺夹爪 | 优势体现 |
|---|---|---|---|
| 鸡蛋(50g) | 30%破损率 | 0破损 | 自适应接触面积增大40% |
| 魔方(57mm) | 需精确对位 | 自动定心 | 抓取时间缩短60% |
| 网球(直径65mm) | 易打滑 | 稳定夹持 | 摩擦力提升2.3倍 |
常见问题与解决方案
打印失败案例分析
| 问题现象 | 可能原因 | 解决措施 |
|---|---|---|
| 挤出不连续 | TPU丝材缠绕 | 安装丝材干燥盒,预热至40°C |
| 层间分离 | 打印温度过低 | 提高喷嘴温度至235°C |
| 支撑难移除 | 支撑密度过高 | 降低支撑密度至10%,启用支撑接口层 |
抓取性能优化建议
- 表面摩擦增强:在夹爪接触区域粘贴3M防滑胶带(厚度≤0.5mm)
- 硬度调节:对于更柔软物体(如草莓),可尝试TPU 85A材料(需调整打印温度至210°C)
- 结构强化:若频繁抓取重物(>1kg),可在STL文件中增加碳纤维增强筋
应用场景与扩展方案
典型应用场景
- 食品工业:糕点、水果的无损搬运
- 电子制造:PCB板、精密元器件组装
- 家庭服务:餐具、玻璃制品的安全抓取
扩展硬件推荐
| 扩展模块 | 用途 | 安装位置 |
|---|---|---|
| Wrist_Cam_Mount_32x32_UVC_Module | 视觉引导抓取 | 腕部前端 |
| 4040_Base_Mount | 机械臂固定支架 | 底座部分 |
设计文件与资源
- 3D模型文件:Compliant_Gripper/stl/
- STEP格式图纸:SO100/Follower_Specific/
- 打印服务指南:3DPRINT.md
- 社区讨论:项目README.md中提供的Discord链接
通过SO-100柔顺抓取设计,普通用户可低成本实现工业级柔性操作能力,该方案已在Hugging Face LeRobot社区得到100+用户验证。建议搭配LeRobot库进行控制算法开发,进一步提升抓取精度。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0213
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03
热门内容推荐
最新内容推荐
项目优选
收起
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
468
461
暂无描述
Dockerfile
776
5.07 K
Ascend Extension for PyTorch
Python
756
961
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
872
2.01 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
696
1.4 K
昇腾LLM分布式训练框架
Python
183
230
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.1 K
1.14 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.04 K
271
Oohos_react_native
React Native鸿蒙化仓库
C++
361
430

