随着具身智能和人形机器人产业快速发展机器人正从执行固定程序的自动化设备逐步演变为能够学习、适应并完成复杂任务的智能体。然而要让机器人真正掌握人类级别的操作能力最大的挑战并不在于硬件本身而在于如何获取高质量的人类动作数据并将这些技能高效迁移给机器人。作为领先的数据手套MANUS正通过高精度动作捕捉技术为机器人训练提供可靠的数据支持加速人形机器人从“模仿”到“掌握”真实世界技能的进程。机器人学习面临的数据挑战与大型语言模型能够依赖海量互联网文本进行训练不同机器人缺少一个规模化、可共享的动作数据库。对于机器人来说看似简单的任务——例如抓取物体、倒液体、擦拭桌面、组装零件——往往涉及复杂的手指协调、接触感知和实时调整能力。仅依靠视觉信息机器人很难理解人类动作中的细微技巧更无法准确判断物体接触时产生的力和摩擦变化。因此高质量的人类示范数据成为机器人学习的重要基础。Artly AI让机器人向冠军咖啡师学习美国人工智能公司Artly AI正在探索一种全新的机器人训练模式——“机器人职业学校Robot Vocational School”。在这一框架中机器人通过观察和学习专业人士的实际操作掌握技能。例如在训练咖啡师机器人时世界级冠军咖啡师佩戴MANUS数据手套完成咖啡制作全过程。从倾倒牛奶、控制流速到拉花过程中细微的手腕抖动每一个动作细节都被精准记录下来。借助MANUS手套提供的高保真动作数据Artly AI的机器人能够快速学习复杂的咖啡制作技能。更重要的是这些技能可以被数字化保存并共享。当一种新的饮品制作流程被训练完成后相关技能能够快速部署到不同地区的机器人系统中实现知识的规模化复制。由于机器人学习的是人类动作模式而非固定坐标因此能够更好地适应现实环境中的变化例如不同尺寸的奶缸、不同重量的咖啡豆包装等大幅提升实际应用能力。从视觉学习到触觉学习如果说动作捕捉解决了机器人“如何运动”的问题那么触觉感知则帮助机器人理解“如何接触”。由Meta FAIR研发的OSMO触觉手套展示了机器人学习的新方向。该系统通过在手掌和指尖部署多组触觉传感器能够捕捉法向力和剪切力等丰富的接触信息。然而仅依赖视觉追踪存在明显局限。当手指被工具、物体或操作表面遮挡时视觉系统往往会失去准确追踪能力导致训练数据不完整。为了解决这一问题研究团队将OSMO系统与MANUS Metagloves数据手套结合使用。MANUS Metagloves能够直接采集手指关节运动数据不依赖摄像机视野因此即使在严重遮挡情况下依然能够保持稳定、连续的手部追踪。同时MANUS系统不会对OSMO触觉传感器产生干扰使两套系统能够同步工作实现动作数据与触觉数据的精确对齐。触觉与动作融合带来更高成功率研究团队利用MANUS与OSMO系统采集的人类演示数据对搭载灵巧机械手的Franka机械臂进行了训练并执行接触密集型擦拭任务。结果显示融合手部动作追踪与触觉感知的机器人策略相较于仅依赖视觉和本体感知的方案显著提升了任务成功率。同时有效减少了因施力不足、接触不均匀以及抓握失效等问题导致的任务失败。这一成果表明仅依赖视觉的机器人学习已经难以满足复杂现实场景需求而融合动作捕捉与触觉感知的数据训练模式正在成为具身智能发展的重要方向。MANUS推动机器人技能库建设作为连接人类技能与机器人学习的重要桥梁MANUS数据手套拥有25个自由度手部追踪能力并能够以毫米级精度记录位置和姿态信息完整保留人类操作过程中的细节特征。无论是咖啡制作、工业装配、医疗操作还是未来的人形机器人服务场景MANUS都能够为机器人提供高质量、可复用的训练数据基础。随着越来越多机器人通过演示学习获得新技能每一次训练成果都将沉淀为可共享的数字化技能资产。未来机器人不仅能够学习单一动作更能够持续积累经验形成规模化的技能库实现真正意义上的技能迁移与自主成长。从动作捕捉到触觉感知从单项技能训练到复杂任务学习MANUS正在帮助机器人更高效地理解和复制人类能力。随着具身智能时代的到来高质量数据将成为机器人发展的核心生产力而MANUS正为这一未来提供坚实可靠的数据基础。