การหมุนวัตถุในมือ (In-hand manipulation) โดยไม่ใช้เซนเซอร์ภายนอกเป็นเรื่องที่ท้าทายเนื่องจากความไม่แน่นอนในการสัมผัสและแรงโน้มถ่วง งานวิจัยนี้จึงเสนอแนวทางใหม่ที่ผสานระหว่างกฎฟิสิกส์และการออกแบบฮาร์ดแวร์ เพื่อปรับปรุงประสิทธิภาพในการหมุนวัตถุด้วยมือหุ่นยนต์หลายนิ้ว
ทีมวิจัยได้แนะนำ 'Priors' สองระดับ: ระดับแรกคือ Global grasp-quality prior ซึ่งเป็นส่วนหนึ่งของระบบรางวัล (Reward shaping) ใน Reinforcement Learning เพื่อกระตุ้นให้หุ่นยนต์รักษารูปแบบการจับที่มีคุณภาพสูงสุด และระดับที่สองคือ Local contact-geometry prior ซึ่งถูกออกแบบไว้ที่รูปทรงของปลายนิ้วหุ่นยนต์โดยตรง เพื่อช่วยนำทางเชิงกลให้วัตถุหมุนได้ตามแนวที่ต้องการ
ผลการทดลองแสดงให้เห็นว่าการใช้ทั้งสองส่วนร่วมกันช่วยเพิ่มประสิทธิภาพการหมุนวัตถุ ความเสถียรของการจับ และความสามารถในการต้านทานแรงรบกวนภายนอกได้อย่างมีนัยสำคัญ แม้จะใช้งานกับวัตถุที่แตกต่างกันและวางมือในแนวตั้งหรือแนวนอนที่ต่างกัน
