在传统的基于模型的控制方法中，控制器直接与机器人的动态模型进行推理。最近的研究使用通过强化学习建立的策略，随着机器人结构变得更加复杂和仿生。这在涉及多个手指和人型机器人手的操作等需要技能的操作中尤为明显。协同移动的能力可以彻底改变多个行业，从拣选和放置仓库工作到流水线制造，以及在家庭中提供帮助。
苏黎世联邦理工学院（ETH Zurich）和马克斯普朗克联邦理工学院学习系统中心（Max Planck ETH Center for Learning Systems）的最新研究介绍了Faive Hand作为一个灵巧的操作平台。作为朝向类人操作的第一步，该团队报告了他们目前将其模型整合到RL环境中并在机器人上应用闭环控制器以实现灵巧的手内球形旋转。
目前最突出的机器人手是用于灵巧操作研究的，考虑到能力强大的机器人需要硬件和控制器两者。研究人员提出，更类人化的手部设计更适合与工具和环境中的物品进行互动，因为它们从一开始就是为人们设计的。从人类示例中学习时，使用类似框架的机器人更容易传递操纵活动。
Faive Hand是在软体机器人实验室中开发的一种仿生、腱驱动的机器人平台，用于研究精细操作。最新版本的手是3D打印的，由伺服电机驱动，使得批量生产变得容易和可行。然而，与使用RL教授的其他灵巧手不同，这只手包含了旋转接触关节的特点，其旋转没有定义的旋转轴，给控制高自由度的机器人手的本已困难的任务增加了难度。由于在这种设计中实施传统的旋转编码器是具有挑战性的，内部关节角编码器仍在研究中，但必须包含在手中。由于这个限制，伺服电机角度被用来估计腱长，从而估计关节角度。通过这些对仿真框架和低级控制器的补充，可以在真实机器人上执行通过闭环RL训练的策略。
研究人员通过在IsaacGym模拟器中展示了手的潜力，展示了通过RL教授的技能的零样本迁移。他们计划通过添加执行和传感器能力，在RL sim2real任务和其他任务（如行为克隆）上改进它。