💻 computer science

LAMP: Latent Motion Prior-Guided Real-World Learning for Dexterous Hand Manipulation

यह शोध पत्र LAMP को पेश करता है, जो एक तीन-चरणीय वास्तविक-विश्व शिक्षण ढांचा है जो उच्च-आयामी हाथ की क्रियाओं को एक संक्षिप्त, इतिहास-सशर्त स्थान में मैप करने के लिए एक लेटेंट मोशन प्रायर का उपयोग करता है, जिससे कुशल और सुरक्षित ऑनलाइन सुदृढीकरण लर्निंग (reinforcement learning) सक्षम होती है जो डेक्सट्रस मैनिपुलेशन सफलता दर को 56.25% से बढ़ाकर 98.75% कर देती है।

मूल लेखक: Xinye Yang, Zhiyuan Ma, Hongze Yu, Yuanpei Chen, Yaodong Yang, Xiaojie Chai, Xinlei Chen, Chao Yu

प्रकाशित 2026-07-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xinye Yang, Zhiyuan Ma, Hongze Yu, Yuanpei Chen, Yaodong Yang, Xiaojie Chai, Xinlei Chen, Chao Yu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोटिक हाथ को नाजुक काम करना सिखा रहे हैं, जैसे कि टिश्यू उठाना या दराज खोलना। आप सोच सकते हैं, "बस इसे दिखा दो कि क्या करना है, और यह आपकी नकल करेगा।" लेकिन यहाँ एक समस्या है: एक रोबोटिक हाथ में दर्जनों छोटे जोड़ (उंगलियां, पोर) होते हैं। यदि आप एक साधारण वीडियो के आधार पर रोबोट को एक साथ उन सभी जोड़ों को हिलाने के लिए कहते हैं, तो वह भ्रमित हो जाता है। यह किसी को पियानो बजाना सिखाने जैसा है—उसे यह बताने के बजाय कि कौन सी कुंजी दबानी है, उसे यह बताना कि उसकी बांह की कौन सी मांसपेशी को कैसे सिकोड़ना है। रोबोट अक्सर छोटी, झटकेदार गलतियाँ करता है जिससे वह वस्तु को गिरा देता है या उस नाजुक स्पर्श को खो देता है जिसकी उसे वस्तु पकड़ने के लिए आवश्यकता होती है।

इसके अलावा, यदि आप रोबोट को वास्तविक दुनिया में "ट्रायल एंड एरर" (सुदृढीकरण लर्निंग/reinforcement learning) के माध्यम से सीखने की कोशिश करते हैं, तो यह खतरनाक है। यदि रोबोट कांच पकड़े हुए अपनी उंगलियों को बेतरतीब ढंग से हिलाता है, तो वह कांच को तोड़ सकता है। एक बार वस्तु गिर जाने के बाद वह आसानी से अपनी गलती को "अनडू" (सुधार) नहीं कर सकता।

पेपर का समाधान: LAMP

इस पेपर के लेखक, LAMP, इसे हल करने के लिए एक चतुर तरीका प्रस्तावित करते हैं। वे एक "लेटेंट मोशन प्रायर" (Latent Motion Prior - LMPM) पेश करते हैं। इसे एक स्मार्ट, अदृश्य मार्गदर्शक के रूप में समझें जो यह समझता है कि मानव हाथ स्वाभाविक रूप से कैसे चलते हैं।

यह कैसे काम करता है, यहाँ तीन सरल चरणों में दिया गया है:

1. "मोशन डिक्शनरी" (द प्रायर)

सबसे पहले, रोबोट एक इंसान को कार्य करते हुए देखता है। उंगलियों की हर एक हरकत को याद करने के बजाय, रोबोट प्राकृतिक हाथ के आकार और गतिविधियों की एक "डिक्शनरी" सीखता है।

उपमा: कल्पना कीजिए कि आप लिखना सीख रहे हैं। आप अपने हाथ की हर एक मांसपेशी की गति को याद नहीं करते। इसके बजाय, आप अक्षर 'A' के "आकार" को सीखते हैं। आपका मस्तिष्क जानता है कि 'A' लिखने के लिए, आपकी उंगलियां स्वाभाविक रूप से एक विशिष्ट, सुचारू पैटर्न में चलती हैं।
तकनीक: रोबोट इन प्राकृतिक हाथ की गतिविधियों का एक संक्षिप्त "मानचित्र" बनाता है। वह जानता है कि यदि हाथ वर्तमान में एक कप पकड़े हुए है, तो अगला स्वाभाविक कदम उसे उठाना होना चाहिए, न कि अचानक अपनी छोटी उंगली को स्वतंत्र रूप से घुमाना। यह मानचित्र हिस्ट्री-कंडीशन्ड (history-conditioned) है, जिसका अर्थ है कि यह भविष्यवाणी करने के लिए कि आगे क्या करना चाहिए, यह देखता है कि एक सेकंड पहले हाथ क्या कर रहा था।

2. "को-पायलट" (इमिटेशन लर्निंग)

इसके बाद, रोबोट इंसान की नकल करने की कोशिश करता है। लेकिन सीधे हर उंगली को नियंत्रित करने के बजाय (जो कठिन है), यह "मोशन डिक्शनरी" का उपयोग एक को-पायलट के रूप में करता है।

उपमा: रोबोट को एक ड्राइवर के रूप में सोचें। "मोशन डिक्शनरी" वह GPS है जो कहता है, "इस सड़क पर बने रहें।" रोबोट के मस्तिष्क (पॉलिसी) को बस छोटे समायोजन करने की आवश्यकता है, जैसे "थोड़ा बाईं ओर मुड़ें" या "थोड़ी गति बढ़ाएं" ताकि वह सड़क पर बना रहे। उसे इंजन, पहिये और स्टीयरिंग कॉलम को अलग-अलग चलाने का निर्णय लेने की आवश्यकता नहीं है; वह बस सड़क का अनुसरण करता है।
परिणाम: रोबोट प्राकृतिक पथ से एक छोटा "ऑफसेट" (एक सूक्ष्म सुधार) की भविष्यवाणी करता है। यह हाथ की गतिविधियों को सुचारू रखता है और उंगलियों के झटकेदार, खतरनाक हिलने-डुलने को रोकता है।

3. "फाइन-ट्यूनर" (सुदृढीकरण लर्निंग/Reinforcement Learning)

अंत में, रोबोट अपने आप अभ्यास करके और भी बेहतर होने की कोशिश करता है। सामान्य लर्निंग में, रोबोट यह देखने के लिए जंगली, यादृच्छिक (random) हरकतें कर सकता है कि क्या काम करता है। लेकिन LAMP के साथ, रोबोट को केवल "मोशन डिक्शनरी" के भीतर छोटे, स्थानीय सुधार करने की अनुमति है।

उपमा: कल्पना कीजिए कि आप एक रस्सी (tightrope) पर चलना सीख रहे हैं। आप यह देखने के लिए रस्सी से कूदने की कोशिश नहीं करते कि क्या होता है (यह एक आपदा होगी)। इसके बजाय, आप रस्सी पर बने रहने के लिए अपने संतुलन में बहुत छोटे, सावधानीपूर्वक बदलाव करते हैं। LAMP यह सुनिश्चित करता है कि रोबोट केवल प्राकृतिक हाथ की गतिविधियों के "सुरक्षित क्षेत्र" के भीतर ही छोटे, सुरक्षित बदलाव करे, न कि खतरनाक क्षेत्र में भटक जाए जहाँ वह वस्तु गिरा सकता है।

यह क्यों काम करता है (परिणाम)

लेखकों ने इसे चार वास्तविक कार्यों पर परखा:

एक बोतल को पकड़ना और उसे बॉक्स में रखना।
दराज खोलना।
एक बॉक्स से टिश्यू खींचना (जो कि नरम और ट्रिकी है)।
एक बॉक्स को असेंबल करना (ढक्कन लगाना)।

उन्होंने अपने तरीके (LAMP) की तुलना निम्नलिखित से की:

रॉ कंट्रोल (Raw Control): हर उंगली को सीधे नियंत्रित करने की कोशिश करना (जैसे मांसपेशियों को नियंत्रित करके लिखना)।
लीनियर कम्प्रेशन (Linear Compression): जोड़ों की संख्या को कम करने के लिए एक सरल गणितीय ट्रिक (जैसे एक बहुत ही सख्त पेन से लिखना)।
डिस्क्रीट स्टेप्स (Discrete Steps): गतिविधियों को "चंक्स" या चरणों में तोड़ना (जैसे एक रोबोट जो केवल 10 विशिष्ट स्थितियों में अपनी उंगलियों को हिला सकता है)।

परिणाम:

रॉ कंट्रोल: लगभग सब कुछ विफल रहा। हाथ बहुत अधिक झटकेदार था।
सरल गणित/चंक्स: ठीक-ठाक प्रदर्शन किया, लेकिन गतिविधियाँ झटकेदार थीं, और रोबोट अक्सर चीजें गिरा देता था।
LAMP: चार में से तीन कार्यों में 100% सफलता प्राप्त की और चौथे में 95%।

मुख्य निष्कर्ष

यह पेपर तर्क देता है कि रोबोट को जटिल हाथ कौशल सिखाने का रहस्य केवल उन्हें अधिक डेटा या अधिक कंप्यूटिंग पावर देना नहीं है। यह उन्हें एक स्मार्ट बाधा (smart constraint) देना है। रोबोट को हाथ की गतिविधियों के "प्राकृतिक" स्थान के भीतर चलने के लिए मजबूर करके, रोबोट खतरनाक गलतियों से बचता है, तेजी से सीखता है, और उन नाजुक कार्यों को सफलतापूर्वक पूरा कर सकता है जो पहले वास्तविक दुनिया के रोबोटों के लिए बहुत कठिन थे।

संक्षेप में: रोबोट को पहिया (या उंगली) दोबारा आविष्कार करने न दें। उसे मानव हाथों की प्राकृतिक लय सीखने दें, और फिर बस उसे छोटे, सुरक्षित सुधार करने दें।

तकनीकी सारांश: LAMP (डेक्सट्रस हैंड मैनिपुलेशन के लिए लेटेंट मोशन प्रायर-गाइडेड रियल-वर्ल्ड लर्निंग)

1. समस्या विवरण (Problem Statement)

डेक्सट्रस रोबोटिक हाथों के लिए वास्तविक दुनिया की लर्निंग एक महत्वपूर्ण बाधा का सामना करती है: हाथ के एक्शन स्पेस की उच्च आयामीता (high dimensionality) इमिटेशन एरर्स को बढ़ा देती है और सुदृढीकरण लर्निंग (Reinforcement Learning - RL) के अन्वेषण (exploration) को असुरक्षित और सैंपल-अक्षम बना देती है।

इमिटेशन लर्निंग (IL) की सीमाएं: मानक विसुओमोटर पॉलिसियाँ ट्रैजेक्टरीज को दोहराने में उत्कृष्ट होती हैं लेकिन उनमें सक्रिय अन्वेषण क्षमताओं का अभाव होता है। उच्च डिग्री-ऑफ-फ्रीडम (DoF) वाले स्थानों में, मामूली निष्पादन त्रुटियां भी संचयी (compound) हो जाती हैं, जिससे हाथ उन कॉन्फ़िगरेशन में चला जाता है जहाँ संपर्क (contact) टूट जाता है।
सुदृढीकरण लर्निंग (RL) की सीमाएं: कच्चे उच्च-DoF स्पेस में अनियंत्रित स्टोकेस्टिक एक्सप्लोरेशन अक्सर संपर्क-तोड़ने वाली गतियों (जैसे वस्तुओं को गिराना या नाजुक पकड़ को तोड़ना) को ट्रिगर करता है। एक बार वस्तु गिरने के बाद, भौतिक हार्डवेयर के लिए एपिसोड के बीच में रिकवरी करना अक्सर असंभव होता है, जिससे स्पार्स रिवॉर्ड्स (sparse rewards) और अत्यधिक कम सैंपल दक्षता प्राप्त होती है।
अंतराल (The Gap): जबकि जैविक लर्निंग 'स्ट्रक्चर्ड मोटर बैबलिंग' का उपयोग करती है जो आंतरिक प्रायर्स (intrinsic priors) द्वारा निर्देशित होती है, वर्तमान रोबोटिक पाइपलाइनें अक्सर असंरचित रैंडम जॉइंट मूवमेंट्स या सरल आयामीता न्यूनीकरण (dimensionality reduction) पर निर्भर करती हैं जो संपर्क-समृद्ध कार्यों के लिए आवश्यक निरंतरता और निष्पादनीयता को बनाए रखने में विफल रहती हैं।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र LAMP (लेटेंट मोशन प्रायर-गाइडेड लर्निंग) पेश करता है, जो एक लेटेंट मोशन प्रायर मॉड्यूल (LMPM) के इर्द-गिर्द निर्मित तीन-चरणीय ढांचा है। मुख्य नवाचार एक साझा, डिकोडेबल, हिस्ट्री-कंडीशन्ड लेटेंट एक्शन स्पेस है जो इमिटेशन लर्निंग और रेसिडुअल RL को एकीकृत करता है।

2.1 लेटेंट मोशन प्रायर मॉड्यूल (LMPM)

LMPM, उच्च-आयामी कच्चे हैंड स्पेस और एक संक्षिप्त लेटेंट स्पेस के बीच एक इंटरफेस के रूप में कार्य करता है।

आर्किटेक्चर: इसमें एक एनकोडर और एक डिकोडर शामिल है।
इनपुट: एनकोडर हाल के हैंड-टारगेट कमांड्स के इतिहास ( $H_t$ ) को लेता है और उन्हें एक स्थानीय लेटेंट प्रायर डिस्ट्रीब्यूशन $q_\phi(z_t | H_t)$ में मैप करता है, जिसे मीन $\mu$ और वेरिएंस $\sigma$ द्वारा पैरामीटराइज किया गया है।
आउटपुट: डिकोडर सैंपल्ड लेटेंट वेक्टर्स $z_t$ को वापस निष्पादनीय उच्च-आयामी हैंड टारगेट्स ( $\hat{h}_{t+1}$ ) में मैप करता है।
प्रशिक्षण: मॉड्यूल को ऑफलाइन टेलीऑपरेटेड प्रदर्शनों (demonstrations) पर एक रिकंस्ट्रक्शन लॉस और एक KL-डाइवर्जेंस रेगुलराइज़र का उपयोग करके प्री-ट्रेन किया जाता है ताकि एक कॉम्पैक्ट, स्मूथ लेटेंट मैनिफोल्ड सुनिश्चित किया जा सके। महत्वपूर्ण बात यह है कि प्री-ट्रेनिंग के बाद एनकोडर को फ्रीज (frozen) कर दिया जाता है।

2.2 तीन-चरणीय लर्निंग पाइपलाइन

LAMP फ्रीज्ड LMPM का तीन चरणों में उपयोग करता है:

चरण 1: LMPM का प्री-ट्रेनिंग

यह ऑफलाइन हैंड-मोशन डेटा पर एनकोडर-डिकोडर पेयर को प्रशिक्षित करता है ताकि डेक्सट्रस मोशन के एक निरंतर, डिकोडेबल मैनिफोल्ड को सीखा जा सके।
एनकोडर हाल के मोशन हिस्ट्री के आधार पर एक "प्रायर सेंटर" ( $\mu_t$ ) की भविष्यवाणी करना सीखता है, जबकि डिकोडर यह सुनिश्चित करता है कि लेटेंट स्पेस का कोई भी बिंदु एक शारीरिक रूप से व्यवहार्य हैंड कमांड में मैप हो।

चरण 2: इमिटेशन लर्निंग (बिहेवियर क्लोनिंग)

एक विसुओमोटर पॉलिसी ( $\pi_{BC}$ $π_{B C}$ ) दो आउटपुट की भविष्यवाणी करने के लिए प्रशिक्षित की जाती है:
1. नेटिव आर्म कमांड्स (मूल आर्म स्पेस में)।
2. फ्रीज्ड LMPM प्रायर सेंटर ( $\mu_t$ ) के सापेक्ष लेटेंट ऑफसेट्स ( $\Delta \hat{z}_t$ )।
अंतिम हैंड कमांड को $D_\theta(\mu_t + \Delta \hat{z}_t)$ के रूप में पुनर्गठित (reconstruct) किया जाता है।
यह पॉलिसी को विजुअल ऑब्जर्वेशन के अनुसार मोशन प्रायर को अनुकूलित करने की अनुमति देता है, जबकि हैंड मोशन को सीखे गए, संपर्क-संगत मैनिफोल्ड के भीतर सीमित रखता है।

चरण 3: रेसिडुअल सुदृढीकरण लर्निंग (Residual RL)

ऑनलाइन RL उसी लेटेंट स्पेस में पॉलिसी को रिफाइन करने के लिए काम करता है।
RL एजेंट लेटेंट स्पेस में रेसिडुअल्स ( $\rho^z_t$ ) की भविष्यवाणी करता है, जिन्हें डिकोड करने से पहले बिहेवियर क्लोनिंग लेटेंट एक्शन ( $z_{t,BC} + s_z \rho^z_t$ ) में जोड़ा जाता है।
मुख्य लाभ: अन्वेषण (Exploration) को प्रदर्शित मोशन मैनिफोल्ड के आसपास स्थानीय सुधारों तक सीमित रखा जाता है। प्रत्येक फिंगर जॉइंट को स्वतंत्र रूप से हिलाने के बजाय (जिससे संपर्क टूटने का जोखिम होता है), एजेंट लेटेंट स्पेस में संरचित समायोजन करता है जो सुरक्षित, निष्पादनीय हैंड मोशन में डिकोड होते हैं।

3. मुख्य योगदान (Key Contributions)

LMPM (लेटेंट मोशन प्रायर मॉड्यूल): एक हिस्ट्री-कंडीशन्ड लेटेंट मोशन प्रायर जो ऑफलाइन ट्रैजेक्टरीज से डेक्सट्रस हैंड मोशन के एक निरंतर, डिकोडेबल मैनिफोल्ड को सीखता है। यह एक कॉम्पैक्ट इंटरफेस प्रदान करता है जो हाल के मोशन हिस्ट्री को एक स्थानीय प्रायर सेंटर में मैप करता है।
LAMP फ्रेमवर्क: एक एकीकृत वास्तविक दुनिया की लर्निंग फ्रेमवर्क जो साझा LMPM लेटेंट इंटरफेस के माध्यम से इमिटेशन लर्निंग और सुदृढीकरण लर्निंग को एकीकृत करता है। यह पॉलिसी को एक प्रायर के आसपास ऑफसेट्स की भविष्यवाणी करने और उन्हें एक सुरक्षित, संपर्क-संगत मोशन मैनिफोल्ड के भीतर रहकर RL के माध्यम से रिफाइन करने की अनुमति देता है।
अनुभवजन्य सत्यापन (Empirical Validation): चार जटिल वास्तविक दुनिया के कार्यों पर इस फ्रेमवर्क का प्रदर्शन, जो कच्चे, रैखिक (PCA), और असतत (discrete/VQ-VAE) एक्शन इंटरफेस की तुलना में महत्वपूर्ण सुधार दिखाता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने एक Franka Research 3 आर्म और एक Ruiyan डेक्सट्रस हैंड के साथ चार कार्यों पर LAMP का मूल्यांकन किया: ग्रैस्प एंड प्लेस (Grasp & Place), ओपन ड्रॉअर (Open Drawer), पुल टिश्यू (Pull Tissue), और असेंबल बॉक्स (Assemble Box)।

इमिटेशन लर्निंग प्रदर्शन:
- रॉ स्पेस (Raw Space): उच्च-आयामी जिटर (jitter) से ग्रस्त रहा और संपर्क स्थापित करने में विफल रहा (अधिकांश कार्यों पर 0% सफलता)।
- PCA: आयामों को संकुचित करके सफलता दर में सुधार किया, लेकिन जटिल, गैर-रेखीय संपर्क पैटर्न को मॉडल करने में विफल रहा।
- VQ-VAE (डिस्क्रीट): आयामीता को कम किया लेकिन कोडबुक स्विचिंग के कारण जिटर पेश किया, जिससे वस्तुएं फिसल गईं।
- LAMP: स्मूथ, हिस्ट्री-कंडीशन्ड मोशन के कारण उच्चतम प्रारंभिक IL सफलता दर प्राप्त की (जैसे, Grasp & Place पर 75%, Assemble Box पर 55%)।
सुदृढीकरण लर्निंग (RL) प्रदर्शन:
- Raw/PCA: RL एक्सप्लोरेशन अक्षम था; रॉ स्पेस एक्सप्लोरेशन अक्सर संपर्क तोड़ देता था, जबकि PCA का फिक्स्ड लीनियर प्रोजेक्शन मोशन मैनिफोल्ड को प्रभावी ढंग से रीपैरामीटराइज नहीं कर सका।
- VQ-VAE: RL के साथ बेहतर हुआ लेकिन डिस्क्रीट जम्प्स के कारण सीमित रहा।
- LAMP: ऑनलाइन RL के बाद लगभग पूर्ण या पूर्ण सफलता दर प्राप्त की।
  - Grasp & Place: 100% अंतिम सफलता।
  - Open Drawer: 100% अंतिम सफलता।
  - Pull Tissue: 95% अंतिम सफलता।
  - Assemble Box: 100% अंतिम सफलता।
- कुल मिलाकर: LAMP ने ऑनलाइन RL के बाद औसत IL सफलता दर को 56.25% से बढ़ाकर 98.75% कर दिया, जो सभी बेसलाइन्स को काफी पीछे छोड़ देता है।
एब्लेशन स्टडीज (Ablation Studies):
- लो-डायमेंशनल बॉटलनेक को हटाने (लेटेंट डायमेंशन को बढ़ाने) से प्रदर्शन गिर गया, जो दर्शाता है कि एक कॉम्पैक्ट स्पेस समन्वय के लिए महत्वपूर्ण है।
- हिस्ट्री-कंडीशन्ड एनकोडर को हटाने से इनिशियलाइजेशन कमजोर हो गया, हालांकि सिस्टम रॉ कंट्रोल की तुलना में अधिक स्थिर रहा, जो हिस्ट्री प्रायर के महत्व की पुष्टि करता है।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि LAMP असंरचित रैंडम एक्सप्लोरेशन को स्ट्रक्चर्ड, हिस्ट्री-कंडीशन्ड एक्सप्लोरेशन से बदलकर वास्तविक दुनिया के डेक्सट्रस मैनिपुलेशन में "एक्सप्लोरेशन संकट" को संबोधित करता है।

सुरक्षा और दक्षता: प्रदर्शित मोशन मैनिफोल्ड से प्राप्त एक डिकोडेबल लेटेंट मैनिफोल्ड के भीतर अन्वेषण को सीमित करके, LAMP उन "कॉन्टैक्ट-ब्रेकिंग" विफलताओं को रोकता है जो रॉ-स्पेस RL को बाधित करती हैं, जिससे वास्तविक दुनिया का प्रशिक्षण सैंपल-कुशल और सुरक्षित बनता है।
IL और RL के बीच सेतु: फ्रेमवर्क सफलतापूर्वक इमिटेशन लर्निंग और सुदृढीकरण लर्निंग को एकीकृत करता है। IL पॉलिसी एक मजबूत, संपर्क-संगत इनिशियलाइजेशन प्रदान करती है, जबकि RL रेसिडुअल एक ग्लोबल रि-प्लानर के बजाय एक लोकल करेक्टर के रूप में कार्य करता है।
व्यावहारिकता: परिणाम दर्शाते हैं कि एक सीखा गया मोशन प्रायर, निरंतर और नाजुक संपर्क वाले कार्यों के लिए एक व्यावहारिक एक्शन इंटरफेस के रूप में कार्य कर सकता है, जो रैखिक संपीड़न और डिस्क्रीट टोकनाइजेशन विधियों दोनों से बेहतर है।

लेखक सीमाओं का उल्लेख करते हैं, विशेष रूप से यह कि वर्तमान LMPM कार्य-विशिष्ट है और प्री-ट्रेनिंग के लिए उपयुक्त ऑफलाइन ट्रैजेक्टरीज की आवश्यकता होती है। वे सुझाव देते हैं कि भविष्य के कार्य मल्टी-टास्क जनरल प्रियर्स और उच्च-DoF हाथों के अनुप्रयोगों की खोज कर सकते हैं।