一家大疆系企业的数采手套，凭什么获多家头部具身公司的认可？

“Rigidcore Tactile+EMF专业数采手套。

具身智能的竞争，正在从算法卷向数据。尤其到了精细操作场景，触觉数据的质量，往往直接决定模型能不能学到真正的力控逻辑。

但数据采集这件事，要比想象中更容易踩坑。

很多具身智能团队有过类似经历：花大价钱入手数据采集手套，录了上百小时的操作数据，结果训练模型时才发现——布料褶皱带来的假信号占了一半，快速动作的细节全“跳帧”了，换一副手套做同一个动作，数据偏差大到没法用。最后一半的时间没用来训模型，全耗在了数据清洗和校准上。

为什么看起来参数差不多的采集手套，实际用起来天差地别？这个问题的答案，藏在很多人没注意到的上游传感端。

近期墨现科技完成数千万元产业轮融资，投资方名单里出现了两家头部具身公司产业玩家的身影。在业内看来，这笔融资的信号意义远大于资金本身：机器人产业端正在筛选真正能量产、够稳定的上游传感供应商。而大家认可的也从来不是某一款产品的单点参数，而是墨现从底层传感器技术、全矩阵产品到工程化量产能力的综合硬实力。

01.

拆解旗舰款数采手套：每个参数背后，都是一个行业通病

这次墨现发布的Rigidcore Tactile+EMF专业数采手套，是目前其产品矩阵里的旗舰型号。我们把它的核心参数一一拆开，看看每一项提升，到底解决了数据采集里的哪些实际问题。

1.近千个触觉点+2mm分辨率：从“标清”到“高清”的触觉采集

先解释几个很多人容易看懵的概念。

什么是点位密度和分辨率呢？ 我们可以把它理解成手机屏幕的像素。点位密度就是手套上能感受到压力的“像素点”有多少个，分辨率则决定了每个点能多精细地区分压力的位置。目前市面上主流的触觉数据手套，触觉点大约在500个左右，空间分辨率通常在4mm级别。

这对于常规抓取、简单操作来说基本够用，对于精密装配、抓取细小物体这类场景，这种精度是远远不够的。比如抓取一颗小螺丝，手指接触位置只移动了两三毫米，点位密度不够的手套根本捕捉不到这个变化，模型也就学不到这种微操作的力控逻辑。很多灵巧手做不了精细动作，根源往往是训练数据里就没有足够精细的触觉信息。

墨现这款手套直接把触觉点拉到了近千个，空间分辨率做到2mm，突破了行业普遍的性能上限。相当于把触觉采集的“像素”翻了一倍，哪怕是手指侧面的微小位移、接触面积的细微变化，都能被精准记录下来。对于精密装配、细小物件抓取这类高要求场景，这一点的提升直接决定了采集的数据有没有训练价值。

2.0.1N触发力+0—20N量程：完整记录从轻触到紧握的全过程

力值量程和灵敏度，是另一个容易“看起来够用，实际不够用”的参数。

很多同类产品要么灵敏度不足，轻触纸片、捏鸡蛋这种微力场景没反应；要么量程太窄，用力握工具、拧瓶盖的时候直接超量程。最后采出来的力值数据只有中间一段，既没有试探性接触的过程，也没有稳定抓握的峰值，模型学不会完整的施力逻辑，做起动作要么太轻抓不住，要么太重捏碎物体。

这款手套做到了0.1N的触发力——大概是一张A4纸的重量，同时覆盖0—20N的检测量程，大约相当于两瓶1升水的局部受力。从轻捏纸片、拿鸡蛋，到握杯子、拧瓶盖、用力抓工具，它能连续记录手指从试探接触、逐渐加力到稳定抓握的完整过程。它记录的不只是“有没有抓住”，而是手从哪里碰到、如何加力，以及力量怎样在指尖和掌面之间转移。

3.局部硬支撑：从硬件端根治“脏数据”

柔性触觉手套有个天生的行业通病，布料本身的拉伸、褶皱、弯折，都会挤压传感器产生错误读数，也就是行业里常说的“初始噪声”或者“脏数据”。

这件事的代价很大，脏数据会直接误导模型，让机器人以为“没碰到东西也有压力”，最后落地到灵巧手上，力控逻辑完全跑偏。为了修正这些问题，数据团队往往要花一半的时间做清洗、标定，效率极低。

墨现的解决思路很直接：不从软件端修修补补，从硬件结构上根治。他们在传感器的背部增加了局部刚性支撑，让传感器主要响应来自外部物体的真实压力，过滤掉布料形变带来的干扰。最终效果是，有效数值能达到脏数据的50-100倍量级，大幅减少了后期数据清洗的工作量，也从源头保证了训练数据的真实性。

4.120Hz采样+毫秒级延迟：告别快速动作“跳帧”与数据错位

采样率和延迟，是很多采购者容易忽略，但对动态采集至关重要的参数。如果采样率不够，拧瓶盖、插接头这种快速动作，就会像低帧率视频一样出现“跳帧”——只能看到动作的开头和结尾，中间力量怎么变化、手指怎么转动的细节全丢了。用这样的数据训练出来的模型，做起精细动作永远“慢半拍”或者“动作变形”。

墨现这款手套做到了120Hz的采样率，每隔约8.3毫秒就采集一帧数据，快速操作的完整动态过程都能被连续捕捉。同时它的延迟也做到了行业第一梯队：有线模式下约8ms，无线模式下约30ms。

延迟低的意义不只是操作跟手，更核心的价值是位姿数据和触觉数据能精准对齐。如果延迟过高，可能手已经握住物体了，力值信号还没传过来，两组数据时序错位，训练出来的模型就会出现逻辑偏差。而8ms的有线延迟意味着，人手刚做出动作，下一次采样前系统就已经收到了位姿数据，动作和力的信息完全同步，最大程度还原了真实操作的时序逻辑。

02.

不是一款产品打天下：六款矩阵，匹配所有数据采集场景

很多人会疑惑：不就是数据采集手套吗，为什么要做六款这么多？答案很简单：没有一款手套能适配所有场景。不同的采集任务，对触觉、位姿的需求完全不一样，预算也不一样。用高端产品做简单任务是浪费，用低端产品做高精度场景又不够用。

墨现是行业内首家并行发展出两条技术路线、搭建起完整六款产品矩阵的公司，覆盖了几乎所有主流数据采集需求。

两条技术路线，对应两类场景

Fabric tactile方案：用纺织丝线制作传感部分，手套本身非常柔软，佩戴者几乎能保留原本的自然操作手感，适合强调手指灵活性和真实触感的采集任务，触觉点位约360个。

Rigidcore方案：单个传感点可以做得更小，触觉点位达到800+，灵敏度接近织物方案的两倍，初始应力产生的噪声更小，适合对点位密度和信噪比要求更高的精密任务。

六款产品，按需选型

在此基础上，通过触觉检测实现方式、手部姿态的不同组合，延伸出六款产品：

• 纯触觉采集：01、04适合只需要力值分布研究的场景；
• 纯位姿采集：03适合只需要记录动作轨迹、操作路径的场景；
• 位姿+触觉一体化：02、05、06同步记录动作与力度，覆盖绝大多数具身模型训练场景。

不同型号对应不同的价格、精度和适用场景，客户不用为用不上的功能买单，也不用在不同厂商之间拼凑设备，数据口径统一，后续处理成本更低。据了解，墨现今年数采手套出货量已有数千副，侧面印证了矩阵化产品的市场接受度。

03.

为什么是墨现？量产的坑，他们已经踩过了

一款产品的参数亮眼，可能靠的是实验室的巧思；但能批量交付、让每一款都保持同样的品质，靠的就是工程化的硬功夫。这也是墨现最被产业端认可的地方——它不是一家只会做Demo的传感器公司，而是国内少有的、把柔性触觉传感从材料到量产全链条跑通的玩家。

1.刻在团队里的量产基因：先想能不能造，再想能不能做好

墨现的核心团队脱胎于大疆，创始人匡正是大疆声敏冲击传感器的发明者，拥有多年智能硬件量产经验。和很多实验室出身的传感团队不同，他们从做第一款产品开始，脑子里就绷着一根弦：这个东西能不能量产？一千个、一万个的时候，良率能不能保证？成本能不能打下来？

这种“量产优先”的思维，让他们在行业概念火热的时候走得不算快，但每一步都踩得很实。墨现从材料选型、结构设计的第一天起，就把制造工艺、一致性、寿命这些量产指标纳入了核心考量。

2.选逾渗式压阻路线：不追极致参数，选最能产业化的路

在技术路线上，墨现选择了逾渗式压阻方案，这同样是一个产业化导向的选择。柔性触觉传感有很多技术路线，有的能在实验室跑出非常惊艳的参数，但结构复杂、成本高昂，很难规模化生产。而压阻式的优势在于结构相对简单、容易成型、成本可控，既能做成薄膜、织物，也能适配曲面场景，天生适合大规模量产。

墨现自研的逾渗式压阻技术，在性能和量产之间找到了很好的平衡：信噪比能做到1000倍，覆盖500Pa~300kPa的超宽量程，防水、耐弯折，能经受100万次冲击测试，同时成本比同类方案低30%左右。没有追求某一项参数的“世界第一”，而是把性能、成本、可靠性、一致性都拉到了优秀线以上——这恰恰是工业级量产产品最核心的要求。

3.从消费级到机器人：量产的坑，他们提前踩了六年

很多人不知道，墨现并不是一开始就做机器人的。团队相关的柔性压力传感器研发经验，可以追溯到2017年。

他们最早切入的是消费级市场：床垫、智能足垫等产品的传感器。这些场景对成本、可靠性、寿命的要求苛刻，也让他们完整踩过了一遍量产的所有坑：材料批次不一致怎么办？怎么设计才能保证良率？自动化测试体系怎么搭？出货检测和问题追溯怎么落地？

这些问题，做一百个样品的时候遇不到，只有做到几万、几十万套的时候才会暴露。墨现上一年度全年出货约35万套传感器，这个量级的量产经验，在国内柔性触觉赛道里是非常稀缺的。

2023年切入机器人赛道的时候，他们不是从零开始，而是把消费级市场验证过的量产能力、小型化经验、长期稳定性技术，直接迁移了过来。别人还在解决“样品能不能做出来”的问题，他们已经在解决“一万套能不能保持一致”的问题。

4.最核心的壁垒：批量一致性

在所有量产能力里，最容易被忽略，但也最核心的，是批量一致性。

什么是一致性？简单说就是：同一双手套，今天测和一周后测，读数不会飘；一百双手套，测同一个物体，读数都接近。

这件事有多重要？数据采集的核心是“标准统一”。如果每双手套的读数都不一样，那模型训练的时候，同一个动作会得到完全不同的输入，根本训不出可用的结果。很多团队买了手套却采不出能用的数据，核心问题就在这。

Demo级的产品，做十双二十双很容易做到一致；但量产到几百上千双，还要保持一致性，考验的就是全链条的工程能力。墨现的做法是全链条自研自控：材料加工、传感器封装、采集算法、标定测试、出货检测，全部自己做。

这也是产业资本选择墨现的底层逻辑，机器人行业现在最缺的，不是能做出惊艳样品的供应商，而是能稳定交付、品质一致、能跟着客户一起迭代的长期伙伴。

04.

不是卖硬件，是做具身智能的数据基础设施

站在行业的角度看，墨现的价值远不止于卖数据采集手套。

现在整个具身智能行业有一个很明确的趋势：数据采集端和机器人本体端的传感器，正在走向“同构”。

简单来说，你采集数据用的是什么原理的传感器，最后机器人手上最好也用同原理的。这样数据训练完，迁移到机器人上的时候，误差才会最小。如果采集是一套方案，机器人上是另一套，中间的差异会让模型效果大打折扣。

墨现同时布局了数据采集手套和机器人灵巧手触觉传感器，走的就是同构的路线。今天用墨现手套采集的数据，未来可以直接迁移到搭载同系列传感器的机器人手上，不用再做大量的适配和修正。

这也解释了墨现对自己的定位：它不想只做一家“触觉传感器公司”或者“数据手套公司”，而是想成为具身智能时代的感知基础设施提供商。数据需求会随着模型迭代、产业阶段变化而变化，但硬件能力是底层的、长期的。通过规模化的硬件，持续向下游提供稳定、高质量、标准化的触觉数据，这才是墨现真正的长期价值。

05.

结语

过去两年，整个具身智能行业聊得最多的是大模型、是灵巧手、是各种惊艳的Demo。但当行业开始真正走向落地、走向量产，我们才会发现：卡脖子的往往不只是最上层的算法，而是最底层的供应链。

一副小小的数据采集手套，背后是材料科学、微加工工艺、信号处理算法、量产工程能力的综合比拼。没有捷径可走，只能一个个坑踩过来，一步步把工艺磨成熟。当这些基础设施一点点成熟，具身智能从实验室走进工厂、走进家庭的那天，才会真正到来。