具身数采，为什么开始重视外骨骼手套？

过去两年，具身智能行业在"数据从哪里来"这件事上，最先达成的共识是：用人的数据。

第一人称视频，也就是常说的 EGO 数据，便宜、海量、可以被动获得，人该怎么干活就怎么干活，机器记录下来就行。于是它几乎成了各家机器人基座模型的标配数采方式，"ego 数据有用"早已不需要论证。

但共识只覆盖了一半，另一半的触觉与接触数据，至今仍处于各自摸索的阶段。没有公认的方案，没有统一的格式，甚至没有稳定可采购的供应链。

在这一背景下，今年 IROS 会场出现了一个值得玩味的现象：不止一家公司推出了基于外骨骼手套的数据采集方案。有的先有高自由度灵巧手，再回头补一件配套手套；有的从采集设备切入，反过来推着手的设计走。它们的形态不同，技术取向更是各走各路，但指向的问题是一样的。

于是一个问题浮出水面：为什么要用外骨骼手套采集数据？它凭什么被认为能补上触觉这一层？

01

人类数据的两条路，遇到了同一个坎

行业里现在常说的"无本体数据"，此前也被叫作“human-centric data”，以人为中心的数据。不管叫什么，核心逻辑都是让采集围绕人来设计，既方便人去采，采的也是人的行为。发展到今天，这条路上已经跑出了两条经过验证的路线。

第一条是EGO数据，也就是第一人称视频。它很符合人的直觉，也符合第一性原理，因为人的双手本就是为复杂的物理世界长出来的，只要录下来，理论上就拿到了一份极高水准的示范。而且它的可扩展性至今无人能敌，因此被大量使用。

但问题在于，靠视觉只能间接和这个世界交互。视频里能提取的是动作的大致轮廓，精确的关节角度和接触信息只能靠推测。而且这种推测有个硬天花板：精度受制于可见性。接触往往发生在手和物体之间，正好被手自己挡住；力更是从头到尾都不在画面里。系鞋带这类任务，毫米级对位、软物体、全程依赖接触反馈，靠视频推得再好也够不着。

一言以蔽之，视频交给模型的，始终是"看得见的手"；而这类任务需要的，是"摸得着的手"。

UMI补的正是"摸得着"这一块。操作者只需手里握一只夹爪，靠它去接触物体、完成任务，动作和接触就能被同时记下来。采集效率很高，也第一次把交互真正放进了数据里。

但 UMI 数据和夹爪构型绑得太死，采出来的东西很难迁移到五指灵巧手上。行业对此的判断已经相当一致：夹爪 UMI 的数据不够泛化，不少实验室和数据买家干脆不愿意为此付费。而行业真正缺数据的方向——灵巧操作，恰恰是五指灵巧手的主场。

于是，带触觉的手套又被提了出来。换个角度看，手套本就是"五指版的 UMI"：它比夹爪更贴近人手，自由度也高得多，能覆盖的动作空间完全不在一个量级。更何况从人类数据的底层逻辑出发，手套采的数据天然能和 ego 数据配合着用。大量视频打底，再掺进一部分高保真的手套数据，模型的上限会被明显抬高。训练源更多，能兼容的数据类型也更多。

但有意思的地方也在这里。手套的出现比二指 UMI 更早，却迟迟没能成为数采的主流。方向看着没错，为什么这么多年就是没跑起来？

02

“软”的不行，就来“硬”的

此前具身行业里的手套，绝大多数是织物加传感器的组合，整体上来看是"软"的。软带来了贴合和舒适，但也带来了三个从原理上就很难绕过去的问题。

第一，漂移。 织物天生会形变，同一个人今天戴和明天戴，传感器与关节之间的相对位置就可能差出几毫米。这点偏差还会随着穿戴次数不断累积，今天准、明天歪，而且每一次的歪法都不一样。对一套要反复用来训练模型的系统来说，这种不可复现的漂移几乎是致命的。

第二，接触点算不出来。 精细操作里最要紧的信号，是手和物体究竟在哪里接触、以多大的面接上。可接触偏偏发生在会形变的布料和皮肤之间，没有稳定的几何参照。你没法确知是指腹的哪一块咬住了瓶盖的螺纹。这不取决于传感器有多灵敏，在原理上就走不通。

第三，触觉信号质量差。 柔性基底上的触觉传感是公认难题，噪声大、一致性差，信号隔着一层会形变的材料，离模型真正可用还有相当距离。

既然软的不行，那就来硬的。今年 CMU 的一篇工作“ART-Glove”，就开了一个好头。它把手套做硬了：16 个刚性功能面覆盖手指、拇指和手掌，掌内接触的几何第一次被显式地做进了硬件；同时用 22 个解剖学对齐的关节，让这些刚性面跟着人手一起动。

需要注意的是，硬和灵巧并不矛盾。硬的是接触面，软的可以是关节。一旦连接是硬性的、几何是确定的，掌内的接触点就从"测不准的测量问题"，变成了"能解算的计算问题"；触觉传感器装在刚性表面上，也正好落在它最成熟、最干净的形态里。软的三个难处，就这样被一次性化解。

不过，当下不少外骨骼手套受结构刚度制约，存在触觉位置滑移问题。视觉方案接触信息依靠算法推测，软质手套受硬件原理约束，二者都难以拿到无幻觉的真实3D触觉数据；部分外骨骼方案依然需要靠重定向算法做转换，推导过程容易引入数据失真。

另外，硬也不是没有代价。刚性结构必然约束人手，越复杂的手内操作，其代价就越明显，那要如何取舍呢？陶一伟告诉我们，外骨骼手套优先保证精度，然后尽可能提升佩戴的舒适度。毕竟外骨骼手套是专业数采设备，对于模型训练来说精度优先级是最高的。

硬路线还有一道更现实的坎：规模化。 每家公司的灵巧手构型都不一样，每个人的手也都不一样，一件手套不可能同时适配所有的机器手和所有的真人手。接触覆盖、自由度、手型适配、穿戴舒适，这四个目标互相挤压，任何一项的提升都在挤压其余三项。外骨骼手套的竞争，本质上是在这个四向约束里找最优解。

那么，解在哪里？

03

同构：把翻译层整个删掉

解法关键词是"100% 同构"，而且是双向的：外骨骼与人手同构，外骨骼与灵巧手同构。

他们的外骨骼手套和灵巧手，是一起被设计出来的。两者互为镜像，一个关节对着一个关节。再通过标定，把这层对应关系牢牢锁死。这样做的结果是，手套上采到的每一个读数，都能直接落到灵巧手对应的关节上，中间不需要任何一步"重定向"的计算。

这条路线和业内另一种常见做法正好相反。有的公司是先有一款高自由度的灵巧手，再围绕它配一只外骨骼手套，重点放在遥操作上，靠指尖定位，反过来倒推各个关节的角度。也可以把顺序倒过来：先做同构的外骨骼手套，再根据手套反向设计灵巧手。

顺序一换，解决的问题也变了。因为不做重定向，每个关节都直接读数、直接映射，手套能做到的事，灵巧手就能做到。为了保住这种一致性，手套会绑得贴合一些，哪怕人手本身有细微的晃动，被记录下来之后，灵巧手的晃动方式也是对应的，不会走样。这个"对应"听着朴素，做起来却极难：从二指到五指，设计难度不是乘以五，而更接近乘以五十；在这么高的门槛上，再把整只手做成和人手同构，工程量可想而知。

可如果遇到构型完全不同的灵巧手，这套办法还成立吗？答案被藏在数据的用法里。同构的第一层价值，是让数据先跑起来。当一套采集系统能把人的动作高保真地喂进模型，模型就有机会越练越聪明；等它足够聪明，再迁移到别的形态的手上，难度会低得多。先用同构把数据质量的底子打扎实，泛化是后面顺理成章的事。

比"直接映射"更本质的，是同构还能还原一层"人味"。

人手能做的事，有些是根本说不出来的。开一把拧不开的老锁，人会下意识地上下左右做极小幅度的微调，直到"啪"的那一下找到对的位置；食指不小心受了伤，你照样能用拇指、中指和拇指根部三处夹住瓶盖，把它拧开。这些动作没有公式，讲不出道理，是人在漫长进化里一点点攒下来的手感。如果采集设备和人手不同构，这些下意识的东西极容易在中间那层换算里被磨平、被省略。而一旦手套和人手同构，人怎么自然地干活，数据就怎么被记下来，而且被记录的不只是动作本身，更是人脑想出来的那套解决方案。

也正因如此，不少采购方最看重的，恰恰就是这一点"人味"：做出来的东西像不像人一样自然，像不像人一样聪明。顺着这个逻辑往下推，舒适度也就不再只是穿戴体验的问题了。人只有以自然的姿态工作，动作才不会怪；动作不怪，数据才不会变形。舒适度直接决定数据质量，它是一条硬指标，而不是加分项。

这也解释了为什么在优先级上，精度必须排在第一位，舒适性排在第二，成本再往后放。如果一上来就把舒适性放在第一，那大概率会滑回传统软手套的老路，而软手套牺牲的正是精度。

回到最开始那个问题。同构之所以被越来越多人当作最优解，是因为它顺着人类数据的底层逻辑在走：数据来自人，那就让采集尽可能贴着人；而要让贴着人采来的数据能被机器直接使用，最省事的办法，就是让机器的手长得像人的手，让中间那层翻译彻底消失。

用一句话概括就是，这套不做重定向、关节直接映射的设计，可以输出无幻觉的3D触觉数据，规避算法翻译带来的偏差。

04

结语

具身智能正在从"证明某件事能做成"，走向"让这件事能被重复无数次"。在演示阶段，一个惊艳的五分钟就够了；可到了规模化采集，真正的分水岭往往是一些很现实的事：手连续运行几小时后会不会烫，传感器用久了会不会漂，换了零件之后表现还能不能一样，同一套系统在第 1000 次和第 1 次是不是同样可靠。

外骨骼手套被重新重视，或许正是因为行业开始认真对待这些现实的问题。视频把机器人的基座模型带到了今天，学术界的挖掘还会继续；但毫米级的接触精度，已经给这条路线划出了边界。

下一阶段真正稀缺的数据，是那些必须通过物理交互才能创造出来的东西——接触、力、滑移、形变，以及一个动作落到世界之后产生的后果。而在这条路上，谁能先把"硬、灵、准、舒适"这几件事平衡好，谁就更可能真正跑通数据这件苦差事。

来源：AI科技评论

编辑：趁早玩

转载内容仅代表作者观点

不代表中科院物理所立场

如需转载请联系原公众号