开源人形机器人Asimov 1测试新夹爪,迈出抓取操作关键一步

开源人形机器人 Asimov 1 第363天开始测试新夹爪,从举升迈向抓取操作。
开源人形机器人项目 Asimov 1 在第363天进入新阶段:团队正在测试夹爪,目标是让机器人从只能推或举物体,进阶到真正抓取并与之交互。文章指出,Asimov 1 的最大特点是完全开源并使用现成零件搭建,代码托管于 GitHub,普通人可参照图纸与物料清单自行复刻,这与依赖定制执行器和封闭供应链的商业人形机器人形成鲜明对比。作者进一步分析,抓取是人形机器人继行走平衡之后的第二道、也更难跨越的门槛,涉及末端执行器复杂度、感知与控制耦合以及成本可维护性三重挑战。夹爪测试表明项目基础运动与手臂结构已趋稳定,重心正转向实际可用性。
从“能举起”到“能拿起”:Asimov 1 的抓取进化
开源人形机器人项目 Asimov 1 迎来第 363 天的开发节点。据项目作者在 Reddit 上分享,团队正在为机器人测试全新的夹爪(grippers),目标是让它不仅能举起物体,还能真正抓取并与之交互。

此前,Asimov 1 的手臂已经具备足够的负载能力,但缺少末端执行器意味着它只能完成“推”或“举”的动作。夹爪的加入补上了操作能力的关键一环——从简单的力量输出转向精细的抓取与操控。作者表示,“现在正是让手臂用于操作的时候了。”
全开源 + 现成零件:一台普通人能复刻的人形机器人
Asimov 1 最显著的特点是完全开源,并且使用现成零件(off-the-shelf parts) 搭建。项目代码托管在 GitHub(menloresearch/asimov-1),任何有兴趣的人都可以参照图纸和物料清单自行构建一台。
这一路线与市面上多数人形机器人形成鲜明对比。后者往往依赖定制执行器与封闭供应链,单台成本动辄数万甚至数十万美元;而 Asimov 1 选择了一条“可复现”的路径,降低了硬件门槛,也让社区可以围绕同一平台迭代改进。夹爪的设计很可能会遵循同样的逻辑——用容易采购的部件实现可用的抓取功能。
抓取能力为何是人形机器人的分水岭
在人形机器人领域,行走与平衡常被视为第一道门槛,而操作(manipulation) 则是第二道、也更难跨越的门槛。原因在于:
- 末端执行器的复杂度:夹爪需要同时兼顾抓取力、精度和适应性,不同物体形状对指爪结构提出不同要求;
- 感知与控制的耦合:抓取需要视觉定位、力反馈与运动规划的协同,远不止“合拢手指”这么简单;
- 成本与可维护性:开源项目必须在性能和可制造性之间取舍,过于精密的夹爪会劝退个人构建者。
Asimov 1 选择在这个阶段测试夹爪,说明其基础运动与手臂结构已经相对稳定,项目重心正从“站得住、走得动”转向“用得上”。
末端执行器(End Effector) 是机器人手臂末端直接与外界交互的部件,最常见的形态是夹爪、吸盘或灵巧手。它的性能通常由三个维度衡量:抓取力(能提起多重的物体)、精度(能否对准毫米级的特征)和适应性(能否稳定抓取不同形状与材质的物体)。工业场景常用两指平行夹爪,结构简单、成本低,但面对不规则物体时容易失效;多指灵巧手适应性更强,却带来更高的驱动复杂度和控制难度。对人形机器人而言,末端执行器还必须兼顾重量与体积,因为手臂的负载能力有限,过重的夹爪会直接压缩可搬运物体的重量上限。
力反馈与力控(Force Feedback / Force Control) 是抓取区别于举升的核心技术。举起物体只需要手臂输出足够扭矩,而抓取需要感知指尖与物体之间的接触力并实时调节:力太小会滑脱,力太大会压碎易碎物品。常见做法是在夹爪指端集成力传感器或电流估计,将测得的接触力作为闭环反馈,配合阻抗控制让夹爪表现出类似弹簧的柔顺特性。视觉定位负责回答“抓哪里”,力反馈则负责回答“用多大力”,两者与运动规划共同构成完整的抓取流水线,这也是文中强调“感知与控制耦合”的具体含义。
开源人形机器人的社区价值
从社区角度看,Asimov 1 的进展具有超出单个项目的意义。开源硬件让研究者与学生能以较低成本获得真实平台,也让不同团队在同一基准上比较算法。夹爪作为高频使用的末端模块,一旦形成开源设计方案,很容易被其他项目借鉴或二次修改。
作者的分享方式也值得一提:以“Day 363”的日志形式持续公开进展,既记录了开发过程,也为关注者提供了可追踪的路线图。这种透明迭代正是开源机器人社区区别于商业发布会的核心气质。
下一步值得关注什么
夹爪测试只是开始。后续值得观察的方向包括:抓取成功率与可操作物体的范围、夹爪方案的物料成本、以及是否会开放独立的夹爪设计文件供社区复刻。如果 Asimov 1 能在开源前提下完成稳定的抓取操作,它将为个人开发者参与人形机器人研究提供一个真正可用的入口。
相关推荐

Hermes Agent零基础实战:自进化AI助手
Hermes Agent 零基础教程:GitHub 41.7K 星的自进化 AI Agent 怎么装怎么用。本文拆解其学习循环、三层记忆与 Skill 自改进机制,对比 Claude Code 和 OpenClaw 的差异,并附 WSL 安装实操步骤。

RAG面试核心:离线建库与在线检索全流程拆解
拆解RAG检索增强生成的完整工作流程:离线阶段文档加载、切割、向量化、入库,在线阶段问题改写、向量检索、重排、生成,并解析RAG面试核心考点与系统优化方向。

AI大模型零基础入门:原理与API调用实战指南
从AI发展脉络到大模型训练原理,再到Token、Temperature、Top-P等核心概念,本文结合实战课程讲解系统提示词、Function Call、RAG与记忆能力的实现逻辑,并给出四类API调用场景的落地路径,适合零基础开发者入门。