AI科技评论

2026-10-14

导读：“软”的不行，就来“硬”的。

“软”的不行，就来“硬”的。

作者丨高景辉

编辑丨董子博

过去两年，具身智能行业在数据采集上最先达成的共识是：使用人类数据。

第一人称视频（EGO数据）因成本低、海量且可被动获取，已成为机器人基座模型的主流数据源。然而，触觉与接触数据的采集仍处于摸索阶段，缺乏统一标准与稳定供应链。

在今年的 IROS 会议上，多家公司推出基于外骨骼手套的数据采集方案，旨在解决触觉数据缺失问题。为此，我们采访了 Chestnut Robotics 创始人陶一伟，探讨外骨骼手套如何补全触觉数据拼图。

人类数据的两条路，遇到了同一个坎

以人为中心的数据采集主要有两条经过验证的路线。

第一条是 EGO 数据（第一人称视频）。其优势在于符合直觉、可扩展性强，能记录高水准的人类操作示范。但视觉只能间接交互，无法直接获取精确的关节角度、接触点及力度信息。对于系鞋带等依赖毫米级对位和接触反馈的任务，纯视觉方案存在精度天花板。

第二条是 UMI 数据。通过手持夹爪记录动作与接触，解决了“摸得着”的问题。但 UMI 数据与二指夹爪构型绑定过深，难以迁移至五指灵巧手，导致其在灵巧操作领域的泛化能力不足，市场接受度有限。

外骨骼手套被视为“五指版 UMI”，能提供更贴近人手的自由度，并与 EGO 数据形成互补。然而，传统软质手套未能成为主流，主要受限于硬件原理缺陷。

“软”的不行，就来“硬”的

传统织物加传感器的“软”手套存在三大难题：

一是漂移。织物形变导致传感器与关节相对位置随穿戴次数变化，数据不可复现；

二是接触点难测算。柔性布料与皮肤间缺乏稳定几何参照，无法精确定位接触区域；

三是触觉信号质量差。噪声大、一致性低，难以满足模型训练需求。

CMU 提出的 “ART-Glove” 采用刚性功能面覆盖手指与手掌，将接触几何显式化，使接触点从“测量问题”转变为“计算问题”。但这种硬结构也带来了约束人手、影响舒适度以及规模化适配难等新挑战。

Chestnut Robotics 提出"100% 同构"解决方案：外骨骼手套与人手同构，同时与灵巧手同构。两者互为镜像，关节一一对应，通过标定锁死映射关系。

与传统“先有灵巧手再配手套”并依赖重定向算法不同，Chestnut 采取“先做同构手套，再反向设计灵巧手”的路径。这种设计消除了中间的计算转换层，实现了数据的直接映射，输出无幻觉的 3D 触觉数据。

同构设计的核心价值在于保留数据的"人味"。它能完整记录人类下意识的微调动作和隐性知识，避免算法换算造成的信息丢失。此外，舒适度直接决定数据质量，只有佩戴舒适、姿态自然，才能确保数据不失真。因此，在该方案中，精度优先，舒适性次之，成本再次之。

具身智能正从演示走向规模化应用。外骨骼手套的兴起，标志着行业开始正视数据采集中的现实问题：稳定性、一致性与可靠性。

下一阶段，稀缺的是包含接触、力、滑移等物理交互后果的高质量数据。谁能平衡好“硬、灵、准、舒适”，谁就能在数据基础设施竞争中占据优势。

【声明】内容源于网络

AI科技评论

聚焦AI前沿研究，关注AI工程落地。

内容 8994

粉丝 0

AI科技评论聚焦AI前沿研究，关注AI工程落地。

总阅读278.0k

粉丝0

内容9.0k