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

人形机器人正从实验室走向产业落地，运动控制、物理 AI 与触觉交互成为突破关键。为汇聚全球前沿技术与实践经验，助力开发者与企业高效推进机器人研发，由爱迪斯通牵头举办的《人形机器人运动训练线上交流会》将于2026 年 4 月16日正式召开，报名通道现已开启！会议形式：线上会议时间：2026 年 4 月16日，下午2:00观众入会链接：#腾讯会议：562-118-499会议密码：041614报名二维码

训练人形机器人执行长视野、灵巧的操作任务需要高保真的遥操作数据。虽然大规模人类视频数据集可以提供广泛的运动先验，但关键的微调步骤取决于机器人特定的演示，这些演示将会包含灵巧操作的全部复杂性。传统的基于虚拟现实的手部跟踪依赖于视觉，这使得其更容易受到追踪遮挡和超出视线范围的影响。在高精度操作场景中，这些跟踪间隙会直接降低数据质量，导致最终降低模型性能。MANUS手套如何融入ψ₀遥操作系统南加州大学物

上海人工智能实验室近日创建了一个以模拟器为中心的双臂灵巧遥操作基准测试，该测试并排比较了四个遥操作管道。在他们的评估中，使用Xsens Link和Manus的Xsens Metagloves的运动捕捉管道在短时间内实现了高精度的任务。挑战远程操作工具很难进行公平比较。不同的硬件、操作员和任务设置使得对比难以统一的数据表现出哪个界面能为双臂灵巧作业提供速度和精度组合。解决方案上海人工智能实验室团队在