Handroid：可重构机器人，既是灵巧手也是人形机器人

传统机器人设计中，人形机器人与灵巧手通常分离：前者擅长移动与全身交互，后者依赖机械臂和固定工作空间。这种分工导致系统复杂，例如外部相机下机器人位置变化会引发坐标转换和碰撞规避难题。

Handroid 的核心理念是形态复用：利用人体与手部拓扑结构的相似性，将同一套 27 自由度机电系统复用于两种形态。灵巧手形态下 20 个自由度构成五指结构，人形形态下 25 个自由度构成头部、双臂和双腿，其中双腿 12 个自由度支持行走、转向、侧移、下蹲等动作。

这一设计并非叠加新部件，而是重新组织已有硬件，使同一组模块在不同任务中扮演不同角色，从而将移动能力与精细操作集成于一体。

形态切换由两套滑轨与齿轮齿条传动机构完成，将执行器旋转转化为直线运动，使关节模块移动到新位置，无需拆卸硬件。团队还为 Franka Research 3 机械臂设计了电磁法兰，提供约 180 牛保持力，支持快速连接与分离，使 Handroid 能在机械臂工作范围外独立移动。

电气系统方面，主控板尺寸约 40 mm × 80 mm，集成执行器控制、无线通信、供电管理、温度监测和状态反馈。机身和指尖的惯性传感器在两种形态下分别服务于手部控制和身体运动感知，实现传感复用。

灵巧手形态下，团队基于 Apple Vision Pro 搭建臂手协同遥操作系统，实时追踪手部关键点并映射到 Handroid，同时将手腕运动映射到机械臂末端。基于采集的示教数据，训练物体条件扩散策略，输入物体点云和本体状态，输出连续动作片段。

人形形态支持两类强化学习路线：基于参考轨迹的跟踪（如 ZMP 步态规划器或关键帧编辑动作）和直接根据目标速度学习。团队还基于 Viser 优化了关键帧编辑工具，便于快速设计和验证动作。

灵巧操作实验中，团队采集 10 种物体共 100 条示教，训练策略在随机位姿下平均抓取成功率达 72%。手内操作任务中，强化学习策略以 30 赫兹运行，完成立方体保持和重定向。

人形实验中，基于参考轨迹的策略在仿真中达到 0.12 弧度关节位置误差和 0.0019 米身体位置误差；直接速度指令策略在 0.20 米/秒前进命令下速度跟踪误差为 0.052 米/秒。真实机器人可完成前后移动、转向、侧移、下蹲、俯卧撑、引体向上等动作。

跨形态长时程任务中，Handroid 从灵巧手形态切换为人形，与机械臂分离，移动并推箱，再切换回灵巧手形态抓取瓶子放入箱中，完整展示了形态切换与任务衔接。

Handroid 的价值在于将形态复用从概念变为可运行平台，覆盖机械、电气、控制与学习的全栈研发。它为机器人学习研究提供跨形态任务载体，为硬件设计提出多形态、多任务统一设计的新范式。

项目由北卡罗来纳大学教堂山分校 IDEAL Lab 与斯坦福大学联合研发，指导团队包括 Karen Liu、Shuran Song 和 Mingyu Ding。论文、CAD 模型和 BoM list 已在项目主页开源。