ロボットハンドによる手中操作（in-hand manipulation）は、指とオブジェクト間の接触による不確定性と重力による外乱のため、外部センサなしでは極めて困難な課題です。強化学習は複雑な指の動き（フィンガーゲイティング）の学習に有望性を示していますが、既存のアプローチは持続的な操作のための良好なグラスプ（把持）状態の維持を優先していません。 本研究では、堅牢なハンド内ローリング操作のための2つの補完的な物理事前知識を導入しています。第一は古典的なグラスプ解析から導出されたグローバルなグラスプ品質事前知識で、密な報酬形成項として機能し、接触の良好な分散と最悪ケースのレンチ耐性の向上を促します。第二は指先の曲率に基づくローカルな接触幾何学事前知識で、指先の幾何学形状を通じて接触インターフェースをタスク指向のローリングへ機械的に形成し、軸外のドリフトを低減します。 これらの事前知識が学習に与える影響を、複数の指を持つロボットハンドが3種類の異なるオブジェクトを4つの手のひら向きで操作する場合を想定して評価しました。結果として、回転効率、グラスプ安定性、外乱抵抗性において顕著な改善が見られています。この知見は、学習と指先の形態学の両方に組み込まれた物理事前知識が、タスクの堅牢性とシミュレーション・実機転移を向上させることを示唆しています。