NE时代

Mimic Robotics一次发布了两款硬件。

7月16日，瑞士机器人公司Mimic Robotics发布仿人灵巧手mimic hand M1和配套数据采集设备mimic wearable U1，同时公布了覆盖数据采集、模型训练、实时控制和设备运维的技术系统。

M1拥有21个自由度，采用腱驱结构；U1则是一套按照M1运动结构设计的被动式手部外骨骼。操作人员戴着U1完成任务，系统采集手指运动、接触和视觉信息，再将这些数据用于机器人学习。

这样看来，Mimic的产品思路是先确定机器人需要怎样的执行硬件，再围绕这套硬件设计数据采集设备和模型系统。它试图减少人手示范转换成机器人动作时产生的信息损失。

灵巧手行业过去习惯讨论自由度、负载和抓握能力，Mimic把问题向前推进了一步：一只手能不能真正投入使用，还取决于数据从哪里来、动作如何映射，以及模型能否稳定控制这套硬件。

01.

M1先解决工业操作对力、精度和耐用性的要求

M1拥有15个主动自由度和6个耦合自由度，共计21个自由度。

Mimic没有把所有电机装进手掌，而是将电机集中布置在前臂，再通过腱绳向手指传递动力。这种布局为手掌和手指腾出了空间，也让M1可以容纳更多传感器和机械结构。

M1采用双向滑轮引导的腱驱方案，腱绳经过轴承和滑轮传动，以减少滑动摩擦。

腱驱灵巧手通常面临摩擦、回程间隙、腱绳松弛和控制精度等问题。Mimic在M1中设置双向驱动路径，希望让系统同时控制腱绳两侧的张力，提高动作响应和位置控制能力。

，时长01:43

按照Mimic公布的数据，M1在圆柱抓握状态下的持续负载超过25公斤，单个指尖可以提供25牛的持续作用力；其反驱扭矩低于0.05牛·米，力估计灵敏度低于0.1牛，指尖位置精度达到±0.18毫米，关节回程间隙低于0.3度。

这些指标分别对应不同的任务需求，负载和指尖作用力影响机器人能否抓稳工具及零部件；较低的反驱扭矩有助于手指顺应外力；位置精度和关节间隙则会影响插入、装配等精细操作。

M1还配置双编码器和指尖触觉传感器。Mimic称，系统可以结合电机电流估算外部作用力，并感知约50克的重量变化。

M1的产品重点因此不只在于复现人手外形，Mimic希望它同时具备工业操作需要的负载、力控、反驱和位置控制能力，并在动作过程中持续记录可用于机器人学习的数据。

02.

U1按照机器人的动作结构采集人类示范

机器人模仿人类操作时，一个常见问题来自身体结构差异。

普通视频可以记录人手做了什么，却很难直接提供机器人关节角度、动作轨迹、接触状态和作用力，模型还要把人手动作转换成机器人的控制指令。

为此，Mimic开发了mimic wearable U1。

U1是一套被动式手部外骨骼，拥有14个可追踪自由度和6个耦合自由度，共计20个自由度。

U1在运动学结构、接触几何、传感器和相机配置上尽量与M1保持一致，操作人员佩戴U1完成抓取、放置或装配任务时，系统记录的数据与M1的动作空间具有更直接的对应关系。

，时长00:52

U1并没有追求适配所有人的手型，其固定几何结构只能覆盖一定范围的手部尺寸。Mimic以部分穿戴适配性为代价，优先保证数据采集设备与机器人灵巧手之间的结构一致性。

围绕M1和U1，Mimic将训练数据划分为三个层级。

第一层是规模较大的人类视频；第二层是穿戴设备采集的人类操作数据；第三层来自机器人遥操作和真实任务执行。

人类视频数量更容易扩大，但缺少机器人控制信号；机器人执行数据与实际控制最接近，采集成本也更高。U1位于两者之间，负责提高人类示范与机器人动作的对应程度。

这套数据路线的价值不在于完全取消动作转换，而在于减少转换环节需要处理的结构差异。机器人拿到的数据越接近自身关节和传感器配置，后续模型训练越容易保留人类示范中的动作细节。

数据进入系统后，还要在相机、传感器、控制器和模型之间实时传输。Mimic开发了零拷贝、硬实时通信中间件mimic-ipc，用于连接这些模块。

根据Mimic内部测试，在传输6.2MB高清图像数据时，mimic-ipc相较Fast DDS共享内存方案实现约1.8万倍的性能提升；在232字节消息测试中，其中位延迟为89纳秒，抖动降低约350倍。

Mimic还为机器人系统配置运行遥测和预测性维护功能，用于记录设备状态、动作数据及异常信号。M1、U1、通信中间件和运维工具因此构成一条连续的工程链路。

03.

mimic-video让视频模型参与动作规划

硬件和数据解决了“用什么执行”与“如何采集”的问题，机器人仍然需要模型把视觉信息转化为动作。

Mimic选择的路线是Video-Action Model，即视频动作模型。

mimic-video使用NVIDIA Cosmos-Predict2视频生成模型作为主干，模型先根据机器人当前观察到的画面，对未来场景进行部分去噪，形成潜在的视觉计划，再由一个较小的动作解码器输出底层控制指令。

这一路线与直接从图像和语言指令预测动作的VLA有所区别。视频模型先学习任务过程可能如何变化，动作解码器再根据视觉计划生成控制信号。

在真实机器人实验中，Mimic使用两台Franka Emika Panda机械臂和较早一代的16自由度Mimic灵巧手，实验任务包括包裹分类，以及将卷尺收纳进盒子。

Mimic公布的信息显示，相关真实机器人训练使用约500条轨迹。在LIBERO和SIMPLER模拟评测中，mimic-video相较可比VLA获得10倍样本效率，动作解码器的收敛速度提升2倍。

在LIBERO评测中，模型使用每项任务一条示范轨迹，相当于约2%的动作数据，取得77%的成功率。

这些结果对应Mimic披露的实验设置，不能直接替代实际工业任务中的成功率。

mimic-video显示出另一种机器人模型设计思路：先利用视频生成模型已经学到的视觉和物理变化规律，再使用少量机器人动作数据完成控制适配。

这也与Mimic的数据分层相互衔接。

互联网视频和人类第一视角视频提供更大规模的视觉经验，U1提供与机器人结构接近的人类示范，机器人遥操作和任务执行数据负责训练底层动作输出。

04.

奥迪测试把整套路线带到柔性部件装配

今年2月，Mimic还公开了与奥迪开展合作测试的信息，双方使用双臂机器人平台和端到端“像素到动作”模型，尝试安装汽车门框橡胶密封条。

NE时代智能体 ，赞26

橡胶密封条会弯曲和变形，机器人需要持续判断材料形态、门框位置及已经完成的安装进度。整个过程包含定位、抓取、对齐、按压和连续插装，属于长序列柔性操作任务。

传统工业机器人擅长结构固定、轨迹明确的重复动作，柔性材料的形态会随受力变化，机器人难以只靠预先编写的固定轨迹完成整段安装。

Mimic在这项测试中使用双臂平台直接处理视觉输入并生成连续动作，展示其像素到动作模型处理柔性部件插装任务的能力。

奥迪案例把Mimic的技术路线带回到一个具体问题：工厂并不缺少能搬运重物、重复焊接或完成固定轨迹的机器人，真正难以自动化的环节通常涉及柔性物体、频繁接触和连续调整。

Mimic没有选择开发完整的人形机器人，而是把仿人能力集中在手部和双臂操作。

对于门框密封条安装这类固定工位任务，移动、行走和全身平衡并非主要矛盾，灵巧手、双臂协作、视觉理解和动作生成直接决定任务能否完成。

这种“局部人形化”路线可以直接使用成熟机械臂，把研发资源集中在灵巧操作和机器人学习上，它减少了整机开发范围，也让Mimic更容易围绕现有工业工位开展测试。

05.

写在最后

Mimic成立于2024年，是苏黎世联邦理工学院的衍生企业；2025年，公司完成1600万美元种子轮融资。它选择从灵巧手、数据采集和操作模型切入，而非同时解决人形机器人本体的全部问题。

M1解决执行问题，U1采集与机器人结构相近的人类操作数据，mimic-video负责从视觉信息中形成动作计划，mimic-ipc连接感知和控制模块。而奥迪的柔性密封条测试则为这套系统提供了工业任务入口。

Mimic的核心产品因此不只是一只灵巧手，而是一套围绕灵巧操作建立的数据与控制系统。它能否进入更多工厂，还要由具体任务的训练成本、连续运行稳定性和设备维护成本决定。

机器人灵巧操作的竞争也在改变，自由度和负载仍然重要，但硬件能否采集有效数据、示范能否映射到机器人动作、模型能否处理长序列任务，开始共同影响产品的应用范围。

Mimic正在尝试把这些环节放进同一套系统。