一、项目概述

DOGlove 是一款低成本、开源的触觉力反馈手套，专为精确的遥操作和灵巧操作而设计。该项目发表于 RSS 2025 (Robotics: Science and Systems) 会议。

研究团队：

• 清华大学 (Tsinghua University)

• 上海期智研究院 (Shanghai Qi Zhi Institute)

• 上海人工智能实验室 (Shanghai AI Lab)

核心功能：

• 21自由度运动捕捉 (21-DoF MoCap)

• 5自由度触觉力反馈 (5-DoF Haptic Force Feedback)

• 支持遥操作 (Teleoperation)

• 支持模仿学习 (Imitation Learning)

二、硬件设计

为确保精确的运动捕捉能力和舒适的佩戴体验，DOGlove 采用拟人化结构设计，与人类手部解剖结构高度相似。

设计特点：

• 拟人化结构设计：模拟人类手部骨骼和关节结构

• 21自由度运动捕捉：精确捕捉手指各关节的运动

• 5自由度触觉力反馈：提供指尖的触觉和力反馈

• 舒适佩戴：轻量化设计，适合长时间使用

三、遥操作演示

DOGlove 可实现精确的遥操作控制，通过触觉力反馈增强操作者的感知能力。

3.1 演示任务

• 旋转放置牛奶盒 (Rotate and place a milk carton)

• 抓取放置泰迪熊 (Pick and place a teddy bear)

3.2 触觉力反馈增强效果

触觉力反馈如何增强遥操作？通过一系列定量实验和用户研究进行评估。

核心优势：

• 触觉反馈提供接触信息，帮助感知物体接触状态

• 力反馈指示手中旋转的最佳时机

• 结合触觉和力反馈，操作者可实现更高的成功率和更快的平均完成时间

四、实验评估

为评估触觉力反馈的效果，研究团队进行了多组对比实验。

4.1 无视觉反馈实验

实验设置：

操作者仅通过 DOGlove 的反馈执行瓶子滑动动作，不能看到瓶子。如果瓶子滑动而不掉落，则试验成功。

实验结果：

• 无视觉提示时，力反馈显著提高成功率

• 添加触觉反馈进一步提升整体表现

4.2 精确控制实验

实验设置：

允许视觉输入，操作者必须将瓶子滑动到精确的9厘米目标距离，然后测量实际滑动距离与目标的偏差。

实验结果：

当视觉输入可用时，力反馈帮助操作者更有效地减少滑动偏差。

4.3 用户研究结果

触觉力反馈使用户能够实现：

• 更高的成功率

• 更快的平均完成时间

• 更精确的接触控制

五、模仿学习应用

DOGlove 能够收集高质量的演示数据，用于训练模仿学习策略。

技术方案：

• 算法：3D Diffusion Policy (DP3)

• 输入：RealSense L515 点云数据

• 预处理：最远点采样下采样至1024点

• 任务：两个接触密集型操作任务

5.1 按压移动盒子任务 (Press and Move Box)

数据收集：

盒子随机放置在30×20厘米区域内，DOGlove收集40次演示用于训练策略。

评估结果：

评估时盒子同样随机放置，20次试验中成功率为85% (17/20)。

5.2 抓取放置泰迪熊任务 (Pick and Place Teddy Bear)

数据收集：

泰迪熊初始位置在30×20厘米区域内随机化，DOGlove收集40次演示用于训练策略。

评估结果：

评估时泰迪熊同样随机放置，20次试验中成功率为70% (14/20)。

项目链接：

项目主页：https://do-glove.github.io/

GitHub仓库：https://github.com/TEA-Lab/DOGlove

论文：https://arxiv.org/pdf/2502.07730