在仿真环境中获取高质量灵巧操作数据的关键，在于输入设备能否精准捕捉人手运动的完整动态。NVIDIA Isaac实验室2.3版本原生集成的MANUS手套，正是为解决这一核心需求而生。在演示场景中，操作员通过佩戴MANUS手套远程操控Sharpa Wave——这款NVIDIA Isaac Lab内搭载的22自由度灵巧机械手，实现了自然手部运动向毫米级保真度实时机器人关节控制的直接转换。

训练灵巧的操作策略需要大量的人类演示数据，这些数据精确地代表了手的全部运动范围。手在高度自遮挡的配置中操作，与操作最相关的任务恰恰是基于视觉的跟踪容易失败的任务。对于构建一般化操作模型的团队来说，质量约束始于捕获层。不一致或不完整的手姿态数据限制了下游架构可以学习的内容。基于MANUS的捕捉，无需依赖摄像机Mimic Robotics将MANUS数据手套作为人手演示的主要可穿戴输入集成到其训练方案

2026年4月28日，第三届中国具身智能与人形机器人产业大会在北京市海淀区中关村国家自主创新示范区展示交易中心隆重召开。本次大会汇聚了全球顶尖科研机构、企业代表及行业专家，共同探讨具身智能与人形机器人的前沿技术、应用场景及产业生态发展。作为本次大会的重要参展商，爱迪斯通（EdisonTech）携旗下多款先进机器人训练设备亮相，全面展示在机器人感知、交互与操作领域的创新应用成果，引发广泛关注。多款核

作为机器人运动训练关键位置的手部训练今年正在成为机器人训练中的聚焦热点，Manus数据采集手套作为机器人手部训练的关键工具正在被国内外多家机器人、灵巧手公司使用，以训练其产品模拟更加真实、更加拟人的手部动作。在机器人训练中机器人与真实世界中的各种物体互动最关键的部位在于手部。真实的手指动作能够为机器人提供更加精准的交互结果。如在电池箱中挑捡出特定的电池、在一叠A4纸中拿取最上部的一张纸，这种精细的

背景由Meta FAIR开发的OSMO手套通过在人类演示过程中捕捉丰富的触觉反馈，这一用例的实现标志着人类到机器人技能转移的突破。挑战大多数在演示管道中学习的机器人严重依赖于基于视觉的手部跟踪。当指尖被物体、工具或表面遮挡时，这些方法在真实世界操作中就会失效。同时，视觉无法推断压力、剪切力或抓握稳定性等接触力。因此在没有触觉信息的情况下训练的策略经常会因不一致的压力应用、滑动或在执行期间失去接触而

人工智能竞赛的欧洲方案与可以在数十亿个网页上进行训练的大型语言模型不同，人形机器人需要高质量的真实世界物理交互数据。这些数据在互联网上根本不存在，仅靠模拟无法复制真实世界物理的复杂性。2026年3月发布的TUM RoboGym(由NEURA驱动)正是应对此挑战创建。该设施由NEURA Robotics和慕尼黑工业大学(TUM)的慕尼黑机器人和机器智能研究所(MIRMI)联合建造，位于慕尼黑机场的T