《人形機器人運動訓練線上交流會》——Manus演講資料整理

作為機器人運動訓練關鍵位置的手部訓練今年正在成為機器人訓練中的聚焦熱點，Manus數據采集手套作為機器人手部訓練的關鍵工具正在被國內外多家機器人、靈巧手公司使用，以訓練其產品模擬更加真實、更加擬人的手部動作。

在機器人訓練中機器人與真實世界中的各種物體互動最關鍵的部位在于手部。真實的手指動作能夠為機器人提供更加精準的交互結果。如在電池箱中挑撿出特定的電池、在一疊A4紙中拿取最上部的一張紙，這種精細的動作通過編程也能夠實現但局限性在于編程無法根據真實世界的實際情況變化。經過AI訓練的機器手經過多次訓練后能夠精準適用于在真實世界中與物體交互等任務，通過Manus數據手套采集的精確數據+AI大模型訓練完美的應對了這一挑戰。

本文將就《人形機器人運動訓練線上交流會》中的Manus演講部分深入分析，以幫助大家了解Manus數據采集手套訓練機器人靈巧手相關應用實例。

全新手套設計

卓越舒適性

• 針對長時間佩戴優化的舒適性設計

電子系統高度集成

• 無線纜干擾

直觀觸覺反饋

精準觸覺反饋

• 120Hz 控制頻率，支持256 級動態反饋

超低延遲

• 4-16毫秒

卓越手指追蹤能力

高精度手指追蹤

• 行業領先的毫米級精度數據

• 不受遮擋限制

• 無漂移

低延遲性能

• 30-50毫秒

進階手部解算模型

• 原始骨骼數據（關節角度/ 位姿）

• 重定向骨骼

• 原始傳感器數據

高度兼容性

• MANUS Core 生態系統

• 永久授權，版本綁定

實時集成

• Unity

• Unreal Engine

• OpenXR

• IC.IDO

• ROS2

• SDK

離線數據支持

• 數據錄制與導出

技術概覽

• 每只Metaglove Pro Haptic 可生成電磁場

• 每根手指配備6DoF 電磁傳感器（EMF），用于測量其在電磁場中的位置與旋轉

• 通過MANUS Hand Solver 3，對手部17 個關節的運動進行計算與還原

• 每根手指集成LRA 觸覺模塊，提供一維振動觸覺反饋

• 手部配備9DoF IMU 傳感器，用于測量手部姿態

• 手部骨骼的實際尺寸通過用戶校準進行確定

規格

手指追蹤傳感器

• 5 個EMF 傳感器，支持三軸位置與三軸旋轉追蹤（6DoF）

• 120Hz 傳感器采樣率

• 低延遲運動到數據輸出（有線30ms，無線50ms）

觸覺反饋執行單元

• 5 個LRA 振動馬達，提供單維振動觸覺反饋

• 120Hz 觸覺控制頻率，支持256 級動態強度（每指）

• 超低延遲觸覺反饋（有線4ms，無線16ms）

連接方式

• 無線接收器（支持Bluetooth 5.0）

• 有線連接：USB 2.0 Type-C

• 數據傳輸速率最高120Hz

• 支持搭配Bodypack Lite，實現遠距離Wi-Fi 數據傳輸

電池

• 可更換Metagloves Pro Haptic 電池

• 最長連續使用時間：3 小時

• 充電時間約2 小時（USB Type-C 或MANUS 充電底座）

應用場景｜遙操作

TESOLLO 機械手+ Franka 機械臂

MANUS 手套實現高精度手指控制

基于ROS 2 的自然手臂與手部協同操控

應用場景｜具身智能數據采集

Neura Robotics

支持從仿真到真實環境的AI 訓練

高精度人類示教數據采集（靈巧操作）

加速real–sim–real 訓練閉環，實現高效技能遷移

應用場景｜生命科學

帕金森手部運動遲緩分析

高精度運動數據支持客觀量化評估

結合運動學指標與信號分析

支持早期診斷、遠程評估與長期監測

應用場景｜VR 訓練

MIT 使用MANUS 手套進行沉浸式神經外科訓練

支持精細操作控制與精準器械操作

實現手部定位與操作精度提升

應用場景｜娛樂

支持高表現力手部動畫（特效 / 數字角色）

手部動作與全身動捕同步，實現擬真表演（MANUS Core）

實時驅動實體機器人手，實現虛實融合