Manus为人形机器人训练提供可靠数据支持

随着具身智能和人形机器人产业快速发展，机器人正从执行固定程序的自动化设备，逐步演变为能够学习、适应并完成复杂任务的智能体。然而，要让机器人真正掌握人类级别的操作能力，最大的挑战并不在于硬件本身，而在于如何获取高质量的人类动作数据，并将这些技能高效迁移给机器人。

作为领先的数据手套，MANUS正通过高精度动作捕捉技术，为机器人训练提供可靠的数据支持，加速人形机器人从“模仿”到“掌握”真实世界技能的进程。

机器人学习面临的数据挑战

与大型语言模型能够依赖海量互联网文本进行训练不同，机器人缺少一个规模化、可共享的动作数据库。

对于机器人来说，看似简单的任务——例如抓取物体、倒液体、擦拭桌面、组装零件——往往涉及复杂的手指协调、接触感知和实时调整能力。仅依靠视觉信息，机器人很难理解人类动作中的细微技巧，更无法准确判断物体接触时产生的力和摩擦变化。

因此，高质量的人类示范数据成为机器人学习的重要基础。

Artly AI：让机器人向冠军咖啡师学习

美国人工智能公司Artly AI正在探索一种全新的机器人训练模式——“机器人职业学校（Robot Vocational School）”。

在这一框架中，机器人通过观察和学习专业人士的实际操作掌握技能。例如，在训练咖啡师机器人时，世界级冠军咖啡师佩戴MANUS数据手套完成咖啡制作全过程。从倾倒牛奶、控制流速到拉花过程中细微的手腕抖动，每一个动作细节都被精准记录下来。

借助MANUS手套提供的高保真动作数据，Artly AI的机器人能够快速学习复杂的咖啡制作技能。更重要的是，这些技能可以被数字化保存并共享。当一种新的饮品制作流程被训练完成后，相关技能能够快速部署到不同地区的机器人系统中，实现知识的规模化复制。

由于机器人学习的是人类动作模式而非固定坐标，因此能够更好地适应现实环境中的变化，例如不同尺寸的奶缸、不同重量的咖啡豆包装等，大幅提升实际应用能力。

从视觉学习到触觉学习

如果说动作捕捉解决了机器人“如何运动”的问题，那么触觉感知则帮助机器人理解“如何接触”。

由Meta FAIR研发的OSMO触觉手套展示了机器人学习的新方向。该系统通过在手掌和指尖部署多组触觉传感器，能够捕捉法向力和剪切力等丰富的接触信息。

然而，仅依赖视觉追踪存在明显局限。当手指被工具、物体或操作表面遮挡时，视觉系统往往会失去准确追踪能力，导致训练数据不完整。

为了解决这一问题，研究团队将OSMO系统与MANUS Metagloves数据手套结合使用。

MANUS Metagloves能够直接采集手指关节运动数据，不依赖摄像机视野，因此即使在严重遮挡情况下，依然能够保持稳定、连续的手部追踪。同时，MANUS系统不会对OSMO触觉传感器产生干扰，使两套系统能够同步工作，实现动作数据与触觉数据的精确对齐。

触觉与动作融合带来更高成功率

研究团队利用MANUS与OSMO系统采集的人类演示数据，对搭载灵巧机械手的Franka机械臂进行了训练，并执行接触密集型擦拭任务。

结果显示，融合手部动作追踪与触觉感知的机器人策略，相较于仅依赖视觉和本体感知的方案，显著提升了任务成功率。同时，有效减少了因施力不足、接触不均匀以及抓握失效等问题导致的任务失败。

这一成果表明，仅依赖视觉的机器人学习已经难以满足复杂现实场景需求，而融合动作捕捉与触觉感知的数据训练模式，正在成为具身智能发展的重要方向。

MANUS推动机器人技能库建设

作为连接人类技能与机器人学习的重要桥梁，MANUS数据手套拥有25个自由度手部追踪能力，并能够以毫米级精度记录位置和姿态信息，完整保留人类操作过程中的细节特征。

无论是咖啡制作、工业装配、医疗操作，还是未来的人形机器人服务场景，MANUS都能够为机器人提供高质量、可复用的训练数据基础。

随着越来越多机器人通过演示学习获得新技能，每一次训练成果都将沉淀为可共享的数字化技能资产。未来，机器人不仅能够学习单一动作，更能够持续积累经验，形成规模化的技能库，实现真正意义上的技能迁移与自主成长。

从动作捕捉到触觉感知，从单项技能训练到复杂任务学习，MANUS正在帮助机器人更高效地理解和复制人类能力。随着具身智能时代的到来，高质量数据将成为机器人发展的核心生产力，而MANUS正为这一未来提供坚实可靠的数据基础。