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

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，报名截止仅剩一天！此次《人形机器人运动训练线上交流会》聚焦动作捕捉、物理 AI 加速、触觉反馈三大核心方向。爱迪斯通作为交流会发起方邀请了国内外机器人训练、数据采集、遥操作等应用方向的领先公司代表共谈机器人训练新方式与机器人未来发展新方向。会议信息会议形式：线上会议时间：2026 年 4 月16日，下午2:

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

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

在今年的英伟达GTC展会上，英伟达带来了Isaac Teleop。Isaac Teleop是一个跨模拟和现实世界系统的远程操作和数据收集的统一框架，标准化了人类输入如何转化为机器人动作。全新版本的Isaac Teleop在机器人领域带来了更广泛应用。随着该领域向具身智能和通用机器人政策发展，瓶颈不再仅仅是模型架构，而是高质量人类演示数据方向转变。NVIDIA的Isaac生态系统一直在不断发展，其提