◎ 灵巧手开始做手套，「同构」成了新考题。

△ 撰文：董志洋

做灵巧手的企业，最近开始给人做手套了。

10月29日，临界点发布遥操作与数据采集手套OmniGlove。再往前一个月，Sharpa在IROS推出外骨骼触感数据手套AE01；舞肌科技和章鱼动力，也都推出了各自的手部数据采集设备。

这些企业原本都在研发灵巧手，如今又将产品延伸到人手数据采集。值得注意的是，它们选择的形态并不相同：有的采用柔性织物，有的在手背装上外骨骼，还有的将手套与灵巧手一起设计，让两者的关节和触觉布局相互对应。

灵巧手要学会操作，需要人的示范，也需要解决人手数据怎样用到机器手上的问题。

手套采集什么数据、灵巧手如何使用这些数据，开始成为需要共同考虑的问题。

做手，为什么还要做手套？

让机器人学习操作，行业已经发展出多种数据采集方式。

第一视角数据，也就是Ego数据，通常由人佩戴相机，从操作者的视角记录动作。人可以使用熟悉的工具，在不同环境中完成任务，采集也更容易扩展到多种场景。

真机遥操作则由操作员控制机器人完成任务，采集到的动作与机器人自身结构直接相关，但需要机器人、遥操作设备和操作人员共同参与。

还有一种常见设备是UMI，采集者手持带夹爪等结构的设备完成操作，记录工具的运动及其与物体的交互，再把数据用于机器人学习。

临界点首席具身科学家黄碧丹在2026智元创新日的灵巧操作分论坛上提到，单纯依靠视频时，手指与物体的接触位置可能被遮挡，人的手部施力也不会直接出现在画面中。

比如拧瓶盖，摄像头可以记录手伸向瓶子、手腕转动的过程，指腹与瓶盖之间的接触却常常被遮住，人用了多大力、是否感觉到打滑，也很难从画面中直接获得。

手持式UMI让采集设备直接接触物体，能够把部分物理交互记录下来，但常见夹爪与五指手的结构、接触方式不同，采集到的动作在迁移到灵巧手时还需要适配。

这也是数据手套受到关注的原因：人可以用五指完成原本的操作，设备在记录手部动作的同时采集接触信息，再与第一视角画面结合，为机器人提供更丰富的示范。

在部分真机遥操作任务中，操作员主要依靠画面判断动作，无法直接感受到机器手与物体之间的接触。临界点在卧龙希尔工厂测试螺丝枪对孔时，操作员就需要通过画面寻找孔位，反复调整枪头位置。

数据手套提供了另一种采集方式：人继续用手完成操作，设备记录手指运动，带有触觉传感器的手套还可以记录接触的位置和压力变化。

灵初智能联合创始人、首席科学家杨耀东在临界点论坛圆桌上谈到，手、手套和模型需要联动：手的结构影响数据怎样适配，模型要学习什么，也会反过来影响数据采集。

临界点CTO熊坤也提到，团队在灵巧手应用过程中收集到不少高质量操作数据的需求，因此推出OmniGlove，并在设计时考虑它与自家灵巧手之间的映射。

舞肌科技创始人潘韫哲此前在交流中谈到，研发高自由度灵巧手时，他就在考虑未来的操作数据从哪里来。舞肌随后将产品线从电机、灵巧手延伸到数据采集手套，希望记录人的手部动作和触觉信息。

对这些企业来说，做手套是把研发范围从机器手本身，延伸到人手示范和数据处理。

人的操作要交给机器手，第一步是弄清两者怎样对应。

手套和灵巧手，怎样配成一套？

人手和灵巧手都是五指，不代表两者的关节数量、位置和运动范围完全相同。

人弯曲手指拿起杯子时，机器手需要根据自身的手指长度和关节结构调整姿态。把人手动作转换为机器手能够执行的动作，通常需要经过重定向。

这种转换也让灵巧手厂商看到了共同设计的空间：如果采集设备在一开始就考虑目标机器手的结构和感知配置，人手数据与机器手之间的对应关系就能更早建立起来。

章鱼动力选择将手套与灵巧手一起考虑，其外骨骼数采手套与自研灵巧手OctoH-Hand采用对应的关节自由度和运动结构，手套记录人手驱动的动作，再与机器手的动作相对应。

手套还同步记录手掌接触力分布，配合第一视角头环，OctoS-DexUMI方案将手部操作与操作者看到的画面结合起来。

对应的OctoH-Hand采用腱绳驱动，拥有23个主动自由度、28个独立可控执行器，手掌和手指表面配置超过1900个触觉单元。

临界点考虑的是另一组对应关系。乔天杰在群访中介绍，临界点的灵巧手外面也有一层手套，在定义OmniGlove时，团队希望数采手套与灵巧手外层的外观、触觉分布尽可能接近。

按他的设想，采集时的人手外观与执行任务时的机器手外观更接近，触觉分布也相互对应，采集到的人手数据用于训练自家的灵巧手时，就能获得更好的适配。

熊坤在论坛圆桌上进一步提到，OmniGlove与OmniHand的触觉采用同源设计，团队也为两者建立动作映射，方便客户使用手套数据进行机器人回放。

外骨骼手套还有另一种设计思路。

Chestnut Robotics将Aero UMI手套与灵巧手共同设计，通过关节对应和标定，建立采集端与机器手之间的映射关系。

Chestnut Robotics创始人陶一伟在接受AI科技评论交流时介绍，团队优先考虑数据采集精度，再尽可能改善手套的佩戴舒适度。设备既要贴合人的手，也要与目标灵巧手的结构对应。

陶一伟介绍，Aero UMI在设计时同时考虑人手、外骨骼手套与灵巧手的关节对应关系，再通过标定建立映射，让手套采集到的关节运动直接对应机器手的关节运动。

这种做法希望减少采集端和执行端之间的动作转换，让人手操作中的细小调整更容易保留下来，例如拧动钥匙时，人会根据接触感觉改变手指姿态，直到钥匙转动。

手套与目标灵巧手共同设计，也意味着适配关系首先服务于这一组产品。当数据需要用于不同构型的机器人手时，仍要考虑结构差异和数据迁移。

“同构”不只是让手套和机器手看起来相似，它可能涉及关节如何运动、触觉传感器放在哪里，也涉及采集到的数据怎样转成机器手能够执行的动作。

黄碧丹在群访中解释，动作重定向时，关节角度、指尖位置等因素都要纳入考虑，但对于操作任务，团队更看重被操作物体能否达到预期状态，因此采用以物体为中心的重定向方式。

比如，人把杯子从桌面上的A点拿起，再放到B点，机器手需要结合自身结构找到合适的抓取姿态，完成同样的取放任务，而不是只追求每根手指的弯曲角度与人完全一致。

人手数据也影响着企业对灵巧手形态的判断。乔天杰认为，互联网视频、第一视角和手套采集的人手数据，大多对应五指形态，这是他看好五指灵巧手长期发展的原因之一，同时他也认为其他形态会在发展过程中存在。

柔性与外骨骼，怎么选？

手套要记录人的动作，首先需要知道手指在哪里、弯曲了多少。围绕这个问题，企业选出了不同的硬件方案。

临界点OmniGlove和舞肌WUJI GLOVE都采用柔性手套形态，通过定位模块和传感器追踪手部动作；Sharpa AE01则采用外骨骼，在设备上布置编码器，记录操作者的手指关节运动。

OmniGlove每只手套配置6个EMF模块和7个IMU，用于获取手部位置与姿态，手套可以输出21个关节角度、21个手部关键点和5个指尖位置。

根据临界点公布的数据，OmniGlove的位置精度 ≤1mm RMS，实测平均误差 0.66mm；姿态精度 ≤1.5° RMS。

EMF通过电磁方式定位，金属物体可能干扰磁场。临界点将IMU信息融入定位：正常情况下利用EMF校正惯性信息，遇到磁干扰时再结合IMU维持手部姿态估计。

论坛现场，临界点展示了手套伸入铁桶的测试。磁场受到干扰时，系统通过融合惯性测量信息，改善手部姿态估计。

舞肌科技的WUJI GLOVE同样结合电磁定位与IMU。手套的五个指尖和手背配置电磁接收模块，配合惯性测量单元追踪手部位置与姿态。

按照官网参数，WUJI GLOVE的位置误差≤2mm RMS，姿态误差< 5° RMS，IMU采样频率为800Hz。手套本体净重67.5g，包含线缆时重量为192.6g。

舞肌在产品视频中展示了手套的压阻织物结构，以及按压、弯折和手部动作追踪。佩戴者还戴着手套操作萨克斯、处理雕塑，展示手套在不同人手操作中的使用方式。

柔性手套贴近人手，但织物也会随着手指弯曲和手掌运动发生形变。如果传感器同时受到手套自身拉伸和外部接触的影响，就需要在结构和信号处理上区分这两类变化。

长时间佩戴或重新穿戴后，手套与手指的相对位置也可能发生变化。对于需要定位接触位置的精细操作，如何保持传感器贴合、减少测量偏差，是柔性方案需要处理的问题。

临界点在压阻层下加入约1mm厚的半硬基底，隔开部分手部运动传来的应力，并在关节弯折处调整敏感点布局。团队还考虑了柔性电路板与电磁定位之间的干扰。

此外，触觉测量之后还要标定。OmniGlove Pro的17个触觉区域分别进行标定，输出克或牛顿等物理量，方便后续处理不同位置的接触数据。

黄碧丹在群访中提到，柔性手套可能因为拉伸和形变影响定位，临界点因此采用EMF追踪指尖，同时在指尖配置触觉传感器。

她解释，当手指接近物体时，触觉信息可以帮助处理接触阶段最后几毫米的误差，让系统更好地判断手指是否已经碰到目标，并改善后续抓取和放置。

选择柔性手套时，黄碧丹还考虑到了数据采集的画面。她认为，外骨骼覆盖在人手上，会改变第一视角画面中手的外观，后续需要花时间处理；柔性手套更贴近人手，也更便于进入真实操作场景。

Sharpa AE01则选择外骨骼结构，使用22个编码器记录操作者的手指关节动作，再将动作映射给机器人。它支持免标定使用，指尖重复定位精度小于1毫米。

在连接方式上，AE01有线模式的数据输出频率为500赫兹、延迟为5毫秒；无线模式为150赫兹、延迟为10毫秒，无线续航超过3小时。

外骨骼的关节结构和编码器能够为手指位置计算提供依据，部分设备还可以在遥操作时向操作者提供反馈。机械结构也需要考虑重量、贴合、活动范围，以及不同人手尺寸的适配。

外骨骼的思路是用明确的机械结构约束和记录手指运动，为关节位置与接触位置提供参照。结构更稳定的同时，设备也要尽量留出手指活动空间，避免影响使用者完成自然、连续的操作。

采集者戴着设备工作数小时，佩戴是否舒适、手套会不会移位，都会影响操作方式和数据的稳定性。因此，精度之外，穿戴体验也是规模化采集需要解决的问题。

陶一伟在介绍Aero UMI时提到，接触覆盖、自由度、手型适配和穿戴体验需要一起考虑，团队希望在保证采集精度的同时改善长期使用体验。

柔性手套与外骨骼都需要兼顾数据精度和使用体验，各家产品的传感器配置、佩戴结构和使用场景不同，也决定了工程取舍。

手套采到的，不只是手指动作

手移动到杯子旁边，只是操作的开始。手指接触杯壁之后，还要判断是否碰到了杯子、哪些部位参与抓握，以及抓取过程中压力怎样变化。

因此，除了动作追踪，几家企业也在给手套增加不同形式的触觉能力。

OmniGlove Pro单手配置746个触觉点，覆盖17个区域，包括指尖、指中、指腹和掌面。它的触觉量程为0-20N，力分辨率为0.1N，空间分辨率小于3mm。

触觉信号与手部位姿同步输出，频率为125Hz。人抓取物体时，数据可以同时记录手的姿态和手套各区域的接触变化。

舞肌WUJI GLOVE在手掌区域布置压力感知矩阵，拥有526个有效触觉点，空间分辨率为4毫米，压力量程为0-20N，力分辨率为0.1N，触觉数据以120Hz输出。

潘韫哲认为，触觉是灵巧手需要重视的能力，人手与物体接触时产生的信息，也需要进入机器人学习操作的数据中。

舞肌此前与Genesis AI的合作提供了另一条观察线索：Wuji Hand的原型被用于Genesis AI专有灵巧手的开发，后者也重视拟人化手部结构与人类操作数据之间的联系。

触觉传感器放在哪里，同样会影响数据和机器手的使用。黄碧丹在群访中介绍，临界点会结合实验和研究，分析机器人抓取、操作物体时哪些区域更容易发生接触，再决定传感器布局。

她还提到，视触觉传感器能够感知较精细的接触信息，适合配置在指尖；手掌其他区域则可以采用其他形式的触觉传感器，扩大接触感知范围。

Sharpa在W02灵巧手上采用了分区思路：指尖搭载视触觉传感器，手掌其他区域覆盖电子皮肤。指尖视触觉的力感知范围为5毫牛至30牛，空间分辨率为1毫米。

Sharpa的数据手套AE01则增加了反馈能力：五个指尖各配置一个振动马达，每个指尖支持256级连续动态触觉反馈。

这项反馈可以用于遥操作。在IROS现场，操作者佩戴AE01控制D01机器人完成调酒，机器人按照人的手部动作进行加冰、倒酒、摇酒和出品。

手套记录人手接触物体的信息，与手套向操作者反馈机器人端的接触情况，是两个不同方向。前者帮助记录人的操作过程，后者则让遥操作人员获得更多来自机器手的信息。

章鱼动力还尝试从肌电信号获取手部操作信息。其肌电手环在前臂布置16通道电极，采集肌肉活动信号，再通过SYNEMG模型恢复手部姿态和发力状态。

使用者的手部不需要穿戴手套，可以保留自然外观。章鱼动力将肌电手环与第一视角头环组合，用于同时记录环境画面和手部操作相关信息。

头环配置四颗鱼眼相机，覆盖手部、操作对象和周围环境；前方两颗相机组成双目系统，用于恢复空间尺度和深度。

围绕头环、肌电手环和外骨骼手套，章鱼动力形成OctoS-Ego、OctoS-EgoBio和OctoS-DexUMI三种采集方案，分别侧重第一视角画面、视觉与肌电结合，以及外骨骼手套采集。

在一次面向91名参与者的现场测试中，章鱼动力展示了同一肌电模型面对不同使用者的表现，为肌电设备如何适应不同人的使用提供了一个案例。

数据采回来，怎样交给灵巧手？

在临界点论坛现场，大屏上并排展示了人手操作与灵巧手回放：人戴着手套完成抓取，机器手随后在对应场景中执行同样的任务。

临界点把这类经过处理、能够用于机器人回放的人手数据称为“真机Ready”。其中既包括手套采集动作和触觉，也包括后续的数据处理与动作重定向。

黄碧丹在群访中解释，回放时会把物体放在与人手采集时相同的位置。例如，人从A点拿起杯子并放到B点，机器人也在相同场景中完成这项取放任务。

团队希望通过这样的回放，检查采集到的人手数据经过处理后，是否能够让机器人完成对应操作。手套提供动作与触觉信息，数据处理负责将这些信息整理、转换，最后由机器人手执行。

章鱼动力同样为采集硬件配置了后续处理流程。第一视角画面、肌电和其他传感器数据进入系统后，还要进行时间对齐、切片、清洗和组织，才能形成可供模型使用的数据集。

数据能否继续扩大规模，还与采集设备怎样使用有关。

乔天杰在群访中比较过手套与手持式UMI：手套穿戴在人手上，使用者可以直接操作物体；他举了一个团队内部的例子，一位研发人员戴着手套使用鼠标和键盘，一边工作一边测试设备。

他认为，手套有机会进入更多日常操作场景，未来也可以考虑以众包形式扩大数据采集。为了降低长期使用成本，OmniGlove将触觉层和定位模块分开，触觉层磨损后可以单独更换。

临界点给OmniGlove系列的客户指导价为每双2.9万元起，11月开启交付；产品分为标准版和Pro版，其中Pro版增加了触觉采集能力。

采集设备的价格只是数据成本的一部分。黄碧丹在群访中谈到，增加手套会增加硬件投入，但如果采到的人手动作更准确、触觉信息更丰富，就有机会减少训练对数据量的需求。

她认为，企业需要综合考虑数据质量、采集规模和最终训练效果；对于加入手套后总体成本能降低多少，目前还无法给出准确评估。

论坛圆桌上，灵初智能联合创始人、首席科学家杨耀东提出，第一视角、UMI和遥操作数据各有作用，数据组合需要随着模型能力和任务变化调整。他尤其关注面向具体操作的高质量数据，以及单次任务持续时间更长的数据。

北京智源人工智能研究院具身模型研究中心负责人王鹏伟也提出，互联网视频与高质量操作数据可以结合使用，模型还需要提高学习新场景、新任务的能力。

从章鱼动力的同构手与手套，到临界点对触觉布局和数据重定向的设计，再到Sharpa的外骨骼反馈与舞肌的柔性触觉采集，灵巧手企业已经把产品延伸到了机器人手的学习环节。

接下来，企业还要继续解决数据如何在不同的人和任务中稳定采集，并更准确、更高效地用于机器人手的问题。

-END-