JD 关键词（可直接放到招聘/简历）
机械与执行
结构/驱动：绳驱（Shadow Hand）、连杆（Robotiq 3F）、直驱（Allegro/Dex3-1）、柔性/气动/形状记忆
手指关节的驱动方式：绳驱重量轻/布局灵活、传动顺滑但维护难；连杆结构刚性好、可靠易控；直驱响应快、可回驱性好但体积/成本高；柔性/气动/形状记忆具顺应性，适合包容式抓取与安全人机协作。
运动学：欠驱动/协同（synergy）、可回驱（backdrivability）、指尖/掌面约束、接触模型
欠驱动/协同用少量驱动实现多关节协同形变，提高适配性；可回驱指外力可带动关节回转，接触更安全顺应；指尖/掌面约束规定接触几何与摩擦锥；接触模型（库仑/软接触）决定抓持稳定与力闭合判据。
制造与集成：手爪 CAD/BOM、丝绳布线、减速器/张紧器、指尖材料/摩擦系数匹配
机械落地要覆盖设计到装配：CAD/BOM可复用与成本估算；丝绳布线/张紧影响间隙与回差；减速器选择平衡扭矩/回程误差；指尖材料（硅胶/PU/3D 纹理）通过摩擦系数匹配提升稳抓与可控滑移。
感知与标定
触觉：视触觉（DIGIT/GelSight）、磁感（MAGNETO）、压阻/电容阵列、指尖 6D FT
视触觉以相机观测皮肤形变得微结构/切向力；磁感用磁场变化估计接触力/切向位移；压阻/电容阵列覆盖面积大、采样快；6D 力矩传感提供指尖三轴力+力矩，便于力控与接触事件检测。
标定：相机-手眼、触觉像素→力/形变映射、传感器零漂/温度漂补偿、时间同步（ROS/硬件时钟）
手眼标定统一传感与末端坐标系；像素到力/形变映射需台架标定与回归模型；零漂/温漂在线补偿防漂移；时间同步（硬件触发/时戳校正）确保多传感融合不发散。
控制与算法
低层：阻抗/混合力位控制、滑模/内模、接触事件检测与切换
阻抗/混合力位在接触任务中兼顾顺应与精度；滑模/内模控制抗不确定与扰动；接触事件触发控制律切换（游离→接触→滑移/滚动），避免过冲与抖振。
高层与学习：BC/DAgger/GAIL、DAPG、SAC/PPO/TD3、Diffusion Policy、VLA（π₀/DexVLA 等）、视频/遥操作数据学习
模仿类（BC/DAgger/GAIL/DAPG）样本效率高、上手快；RL（SAC/PPO/TD3）适合接触丰富与稀疏奖励；Diffusion Policy在高维连续动作更稳；VLA将视觉-语言-动作端到端映射，支持指令条件；视频/遥操作提供低成本演示数据。
任务：单手/双手抓取、夹持稳定、指间滚动/转指、插拔/旋拧、在手重抓（in-hand regrasp）
灵巧操作的代表能力：从稳态夹持到滚动/转指的微操作，再到插拔/旋拧的约束交互以及在手重抓的再配置，评估关注成功率、力峰值与轨迹平滑。
仿真与 Sim2Real
平台：MuJoCo、Isaac Gym/Lab、Genesis、Bullet
MuJoCo精于接触/约束，研究常用；Isaac Gym/Lab/Genesis擅长 GPU 并行大规模训练；Bullet开源易用、生态丰富。
接触：SDF/软接触、摩擦/粘附、顺应性建模，域随机化（渲染/物理/传感）与系统辨识（SysID）
SDF/软接触提供可微/稳定的接触力；摩擦/粘附/顺应性决定抓持边界；域随机化在渲染/物理/传感三域扰动增强泛化；SysID用实机数据拟合关键参数，缩小 sim→real 差距。
系统与上线
ROS/ROS2（composition、zero-copy）、C++/Python、实时链路（摄像头/触觉→策略→控制）
ROS2 组合/零拷贝降低进程间延迟；C++/Python兼顾实时与开发效率；整链路需确保采集→模型→控制的周期性与时序稳定。
推理部署：ONNX/TensorRT、FP16/INT8、延迟/抖动治理、Prometheus/Grafana 可观测
模型导出与量化（ONNX/TensorRT FP16/INT8）压缩延迟/显存；抖动治理关注 P95/P99 周期稳定；可观测监控 QPS、延迟、GPU/内存与异常。
安全：力矩/功率限幅、软急停、失败库与回放、A/B 与回归集
限幅/软急停防止损伤设备/人员；失败库/回放溯源问题并形成回归集；A/B上线验证新策略，确保质量可量化提升。
你最好具备的可证明材料（面试官可点开即看）
1.灵巧手基线仓库（必备）
目录：hand_hw/（驱动/标定）tactile/（采集/重建）control/（阻抗/混合控制）policy/（BC/PPO/DP/VLA）sim/（MuJoCo/Isaac）deploy/（ROS2+TensorRT）
功能：一键训练/评测/部署；视频回放；seed 固化；指标导出（成功率/滑移/接触峰值/延迟）
2.触觉数据与重建 Demo
视触觉/电容阵列数据记录、触点/法向/剪切估计、滑移检测；指尖材料与阈值表
3.遥操作采数管线
VR 手柄/数据手套→关节/EEF 映射→时间同步→HDF5/lerobot；数据质检与剪辑工具
4.仿真↔实机对照
域随机化强度—成功率曲线；摩擦/顺应性 SysID；实机短视频与差距表（sim vs real）
5.失败库与回归集
失败类别（滑移/遮挡/柔顺不匹配/迟滞）→“根因-改进-收益”；每周回归 50/100 条固定任务
6.安全与可观测
限幅/看门狗/软停流程；Grafana 面板（成功率、接触峰值、jerk、P95 延迟、温度/电流）
专属问答（高阶 / 可背诵框架）
Q1：绳驱 vs 直驱/连杆的工程取舍？
绳驱重量小、布线灵活、顺应性好，适合高 DOF 与紧凑布局，但丝绳摩擦/弹性/间隙会带来滞后、回差与频繁张紧校准；直驱响应快、可回驱与力控精度高，建模简单但体积/成本/发热与线缆应力大；连杆结构刚性好、维护低、效率高，但欠驱动自由度受限、与物体自适应性较弱。实际落地可按“高频受力/精度关键关节直驱（或大减速器）+ 其余绳驱/连杆”的混合方案平衡成本与性能；评估维度包含：最大/持续力矩、可回驱需求、维护周期、可达空间与布线可行性。
Q2：触觉闭环如何稳定防滑？
核心是把“是否在滑”“马上会不会滑”变成可用信号并分层控制：指尖估计法向/切向力与滑移概率（如视触觉切向位移、6D FT 摩擦锥余量），低层用阻抗/混合力位维持法向力、限制切向速度与接触面内的加速度/jerk，上层策略通过接触状态机（接触→稳定→操作→再抓）管控动作相位；一旦触发临界滑移阈值，执行再定位/再加压并短时提高摩擦裕度，同时在损失或代价函数中加入接触保持/平滑项，将防滑内化为学习与控制共同目标。
Q3：灵巧手 RL 为何样本低效？如何改进？
灵巧操作的接触动力学非凸且离散切换多，稀疏奖励与长时程导致探索极难、梯度稀薄；可用BC/DAPG 预热将策略带入可行域，再用SAC/PPO微调；使用目标条件策略/课程学习（先到位后操控）、动作平滑正则与HER/目标重标缓解稀疏；工程侧以矢量化并行仿真+混合精度提升吞吐，必要时采用分层结构：高层选择子技能/目标，低层阻抗/DP/MPC 保稳定与约束，显著提高收敛速度与可复制性。
Q4：Sim2Real 的关键是什么？
先做SysID把惯量、摩擦、顺应性、感知增益等核心参数校到“可信中位”，再按渲染/物理/触觉噪声三域逐步随机化获得稳健性，同时建立OOD 评测桶（新材质/尺寸/光照/触点）度量泛化；部署时保持控制频率/端到端延迟与仿真一致，摩擦锥阈值、力限幅、触发器滞回等安全/接触判据在仿真与实机统一；上线后以失败库与回放闭环迭代参数，避免“仿真过拟合”。
Q5：VLA（π₀ / DexVLA）在灵巧手里的角色？
VLA 适合作为高层语义→子技能/目标的决策桥，理解“语言/视觉指令”并选择“抓取点/操作相位/目标姿态”，而低层由阻抗/MPC/DP等连续控制器执行细粒度力位控制从而保证稳定与安全；结合少量演示+LoRA可快速适配新物体/新任务，统一“看-说-做”的接口，同时把失败回放与人类反馈回流到指令理解与子技能切换策略，逐步提升泛化与鲁棒性。
Q6：如何做遥操作到策略的映射？
建立手套/VR→EEF/关节的几何与力度双映射（含尺度/死区/饱和），对齐时钟与时戳并做抖动/漂移滤波；采集阶段进行质量控制（去停滞段、去冲击、统一采样率），用窗口切片/时间抖动/镜像增广得到多样轨迹，必要时同时记录姿态+力以支持混合控制或模仿+RL 微调；最终以统一的 lerobot/HDF5 模式沉淀数据，便于后续 BC/DAPG/DP 的快速训练与回放复现。
常见追问（高分答案模板）
Q：抓取稳定但“转指/滚动”易掉？
先从物理裕度补足：优化指尖材料/纹理与顺应性提高摩擦锥余量；控制层给切向速度/角速度限幅与法向力自适应（随估计滑移概率微调），学习层在损失加入接触保持与角动量约束，用课程学习把“稳持”与“滚动”分相位训练，并在转指前后短时提高安全余量与再抓策略。
Q：触觉数据噪声大/漂移？
建立温漂模型与在线零点更新，对视触觉做坏像素屏蔽/形变场去噪，对力矩计用滑动窗口/卡尔曼滤波稳态估计；像素→力映射采用分段或非线性标定曲线并定期复核，部署侧加异常检测（饱和/跳变/失联）与回退策略，确保在传感异常时策略降级但不中断。
Q：训练后动作抖动/迟滞？
训练时对动作加变化率/L2 正则或使用Diffusion Policy 解码提升时序平滑；推理端叠加低通滤波+短窗重评分选择更稳的输出；控制链路设置jerk/加加速度限幅与执行器防抖，必要时调低温度/采样步数，并在评测集中加入“细操作+窄容差”场景校验抖动指标。
Q：仿真表现好、实机掉帧？
统一控制频率与端到端延迟预算，将相机/触觉→模型→控制放进 ROS2 composition+zero-copy 降拷贝延迟；把模型ONNX/TensorRT FP16/INT8 部署并做 P95/P99 抖动治理；多传感器落锁与时间同步（硬触发/高精时钟），并对超时设看门狗与软停，避免帧落后引发不稳定接触。
Q：对象/材质换了就失败？
建立域外分桶评测（材质/尺寸/柔度/纹理），训练时做点云/纹理/光照扰动增广并在低层引入按材质切换的力控阈值表；线上对新分布先以保守参数运行并收集演示/失败回放，必要时进行few-shot LoRA 快速适配，同时保持原域回归以避免遗忘。
加分项目（任选其一做深）
1）触觉伺服抓稳（DIGIT 指尖 + 滑移检测 + 阈值自适应）
目标是把“是否要掉”提前变成量化信号并闭环控制：在 DIGIT 上做切向位移/纹理流的滑移概率估计，与指尖 6D 力矩的摩擦锥余量融合成风险分数；低层用阻抗/混合力位控制维持法向力、限制切向速度，在线自适应法向阈值（按材质/湿度/表面能更新）；高层状态机（接触→稳定→操作）在临界滑移触发“再加压/再定位”；在玻璃/金属/纸盒上做稳持与扰动试验，给出滑移触发频次、接触峰值、稳定时间与掉落率，产出材质参数表与回放视频。
2）DAPG/DP × 阻抗分层（在手旋转/再抓）
把“聪明决策”和“稳妥执行”拆开：高层用 DAPG/DP 预测子目标（抓取点/手指相位/旋转角速度），低层以关节/任务空间阻抗在约束内生成可行力位指令，接触切换由事件触发（进/退摩擦锥）；指标上同时看成功率、EEF jerk、接触力峰值、在手旋转掉落率和到达时间；对比单层学习与分层方案，展示在窄容差与长时程操作（滚动、转指、再抓）下的稳定性提升与失败模式变化。
3）遥操作采数→小样本微调（VR/手套，BC→LoRA）
搭建 VR/手套→EEF/关节的双通道映射（姿态+力），统一采样率并做去停滞/去冲击/时间抖动增广；先用 3–5 小时演示做 BC 预热得到可行策略，再对 VLA/策略骨干做 LoRA 轻量微调适配目标域；评测含在域/域外物品与新表面材质，统计成功率、掉落率、动作平滑与学习曲线收敛步数，产出数据规范（HDF5/lerobot）、清洗脚本与一键训练/复现命令。
4）Sim2Real 双路径：SysID + 分域随机化（对比 DR-only）
先做小样本实机试验拟合惯量/摩擦/顺应性/传感增益，把仿真参数锚到可信区间，再在渲染/物理/传感三域做随机化扫参（网格/贝叶斯）；固定评测套件绘制“随机化强度→sim 成功率/实机成功率/Gap”的曲线，并与仅 DR 的基线对照；报告触点/材质 OOD 桶的零样本表现、训练稳定性与收敛速度差异，给出停止准则与最终部署参数表。
5）安全与可观测套件（限幅表/告警/失败卡）
建立“动作安全栅栏”与“看得见”的线上面板：速度/力矩/功率/工作空间限幅按材质与任务分档；实时监控接触峰值、端到端延迟与 P95 抖动，越界触发软停与告警；任何异常自动生成“失败卡”（触发器类型+视频回放+元数据+git 哈希），进入回归集与 A/B；Grafana 展示成功率、掉落率、jerk、峰值力与成本，支撑迭代与回滚。
量化句式（直接替换数字即可）
量化句式 1：采用 BC→DAPG/DP 微调，在 X 小时演示上 成功率 +A.pp，在手旋转掉落率 ↓B%。
报告数据规模/清洗规则/增广策略与训练配置（冻结层、LoRA rank/学习率），在固定评测集与 OOD 分桶下统计成功率与掉落率变化并给置信区间；附代表案例回放与误差类型（错相位/力不足/过压）的占比，确保提升可复核。
量化句式 2：触觉闭环后，滑移触发频次 ↓C%，接触峰值 ↓D%，夹持稳定时间 +E%。
定义触发判据（切向形变阈值/光流阈值+滞回），对同一物体集对比每分钟触发数、最大法向力/力矩峰值、稳定保持时长；给出材质分桶结果说明闭环在低摩擦材料上的收益，并展示“误触发/漏检”比例与阈值学习曲线。
量化句式 3：SysID + 分域随机化 使 sim→real 差距 从 −U.pp → −V.pp；新材质零样本 +W.pp。
以“仿真成功率−实机成功率”的绝对差定义 sim→real gap，比较“仅DR”和“SysID+DR”的gap 收敛曲线；在未见过材质/尺寸上统计零样本成功率提升 W 个百分点，并提供参数表/强度区间与代表场景视频。
量化句式 4：ROS2+TensorRT 部署，端到端延迟 从 M ms → N ms，P95 抖动 ↓R%。
明确测量路径（相机/触觉时间戳→控制下发），对比原生 PyTorch与ONNX→TensorRT FP16/INT8 + composition/zero-copy；报告均值/ P50/P95延迟与抖动，列出批处理/并发度/缓存配置，并给“过载熔断与降级”触发阈值。
量化句式 5：遥操作采数管线上线后，有效演示比例 +K.pp，训练收敛步数 ↓Q%。
定义“有效演示”（无长停滞、无越界、信号完整），上线前后对比有效率；在同任务上统计到达相同成功率所需的迭代/样本量下降 Q%，并附数据质检仪表（时长分布、抖动、失真率）与“采集→清洗→训练”的时延缩短，证明数据工程对训练效率的直接收益。
推荐项目：
TCDM-VR数据采集系统：tcdm-vr/tcdm-vr 外骨骼手套控制：AirGesture/exo-hand DexWild数据采集系统（卡耐基梅隆大学）https://dexwild.github.io/ DAPG灵巧手训练：aravindr93/DAPG Diffusion Policy for Dexterous Hand：Columbia-DexterousManipulation/Diffusion-Policy Shadow Hand在Isaac Gym中的实现：NVIDIA-Omniverse/IsaacGymEnvs TCDM灵巧手Benchmark：tcdm-vr/tcdm-benchmark Humanoid-Gym人形机器人迁移：roboterax/humanoid-gym(diff-control.github.io)
