10 月 29 日下午，智元创新日・灵巧操作分论坛的大屏上，两段视频并排播放。左边，一只戴着手套的人手完成了一次抓取。右边，一只灵巧手几乎同步地做出同样的动作，完成了同样的任务。

右边不是遥操作。灵巧手执行的，是手套记录下的人手数据。

这副手套是临界点当天发布的自研遥操数采手套 OmniGlove，共有标准版和 Pro 版两款，11 月开启交付。在临界点 CEO 乔天杰看来，灵巧操作从开发态走向部署态之后，下半场比拼的是数据。如果说灵巧手是具身智能的末端执行器，OmniGlove 就是采集数据的神经末梢。

"看懂" 不等于 "会用力"

过去两年，具身模型的进展大多建立在视觉之上。模型从海量图文和视频中学习，看过几十亿张拿杯子的照片，却不知道杯子有多重、握到什么程度会滑。临界点首席具身科学家黄碧丹把这类模型形容为 "缸中之脑"：能理解世界，却碰不到世界。

在她看来，灵巧操作的本质是接触。"我们要教会机器人的，不仅是理解这个世界的常识，更是触碰这个世界的分寸。"

分寸只能从真实操作中采集，现有的几条采集路线却各有短板。

真机遥操数据质量最高，自带机器人本体约束，可以直接用于训练，但成本高，依赖遥操设备和操作员的经验，规模很难做大。更隐蔽的问题是，遥操员手上没有精细的触觉反馈，主要靠视觉判断，数据里没有人真正的手感。

Ego 数据，即佩戴者以第一人称视角记录的人手操作数据，是近一年行业的热门方向。它采集方便、成本低，最容易扩大规模。但传统方案依靠摄像头，手部一被遮挡就会丢失跟踪，施力和接触细节也无从记录。

外骨骼方案把位姿测得很准，代价是佩戴负担重、操作不便。佩戴后手部外观也和真实人手不同，采集画面与部署时机器人看到的画面存在差异。

临界点在推进灵巧操作模型落地的过程中，同样卡在这里。团队要的数据，需要同时具备真机数据的质量、人手操作的真实手感和 Ego 数据的规模。几条路线评估下来，手套成了最可行的选择：它贴合人手，不改变人的操作方式，又能直接测量手指位姿和接触力。

真机 Ready：数据质量的试金石

手套采集的数据好不好，临界点给出的检验标准是回放（Replay）。

这是遥操数采领域公认的金标准：把采到的动作在机器人上重新执行一遍，能完成同样的任务，就说明动作和接触信息都完整、准确。纯视觉的 Ego 数据跟踪不准、缺少触觉，通不过这项检验，过去主要被用于大规模预训练，提供的是没有手感的视觉经验。

临界点把能通过这项检验的人手数据称为 "真机 Ready" 数据。它对采集设备提出了三道门槛：

位姿要准，人手上的微小误差到了灵巧手上，会被放大成抓偏和碰撞；

触觉要全，否则灵巧手只能学到动作的形状，学不到力道；

两者要同步，才能还原在哪个瞬间、以什么姿态施力。

一副手套，三道门槛

OmniGlove 的设计围绕这三道门槛展开。

位姿是两款手套共同的底座。每只手套配备 6 个 EMF 接收器和 7 个 IMU，每个指尖同时搭载 EMF 和 IMU。位置精度≤1mm RMS，实测平均误差 0.66mm；姿态精度≤1.5° RMS。

触觉是 Pro 版的增量。OmniGlove Pro 单手布置了 746 个触觉点，覆盖指尖、指中、指腹和掌面等 17 个区域，最小触发力 10gf，人手在哪里接触、用了多大的力，都会被记录下来。

两路数据同步打包，以 125Hz 输出，从动作发生到数据产生的延迟小于 10ms。任意一帧数据都能同时还原手的姿态和接触状态。

文章开头的那段视频，就是三道门槛同时跨过之后的结果。OmniGlove Pro 采集的人手数据经过动作重定向，由灵巧手独立完成了同样的任务。

人手和灵巧手之间的映射，是这条链路上最难打通的一环。临界点的优势在于手套和灵巧手出自同一支团队。团队在灵巧操作部署上积累了大量经验，清楚模型落地需要什么样的动作和触觉信息，也掌握着灵巧手本体的每一处细节。因此，OmniGlove 采集的人手数据可以直接重定向到临界点灵巧手上执行。

走出实验室

精度之外，团队还考虑了手套大规模铺开后会遇到的问题。

第一个问题是磁干扰。EMF 定位精度高，弱点是容易受铁磁物体影响，而手机、电脑、扳手在工厂和日常环境中随处可见。OmniGlove 融合了 IMU 数据，在磁干扰环境中仍能保持稳定的位姿估计。

（图注：OmniGlove - 抗磁干扰测试）

第二个问题出在触觉上。手部没有接触物体时，数据中只应包含位置信息，但设计不当的话，手指弯曲、手腕转动本身就会产生虚假的触觉信号，这在织物方案中很常见。OmniGlove Pro 采用特殊材料基底加 FPC 的结构，在保持灵敏度的同时实现了低零漂。在对比测试中，测试员手部大幅运动时，触觉读数没有明显波动。

第三个问题是人。数据采集往往需要长时间佩戴、多人轮换，手套的重量和准备时间都会被放大。标准版净重不超过 90g，Pro 版不超过 100g，对操作和手感的影响很小。个人标定 10–15 秒即可完成，参数可以保存复用，换人采集时不必从头准备。

用人类物理经验抬高模型泛化起点

真机 Ready 的数据可以直接用于后训练，这一点在业内并无争议。分歧在预训练：不少人认为，预训练拼的是规模，用不上这么高质量的数据。

黄碧丹的回应是一个反问："预训练，就该吃脏数据吗？"

在她看来，行业接受大规模低质量的 Ego 数据，更多是出于无奈。这类数据在执行层面噪声大，胜在成本低、容易获取，行业只能想办法把它和高质量本体数据混合训练。OmniGlove 提供了另一种可能：不需要把真机搬到现场遥操作，就能采到高精度对齐的 "人手 - 真机" 数据对，采集成本低于真机遥操。这类数据用于预训练，可以用人类积累的物理经验抬高模型的泛化起点。

放在临界点的技术版图里，OmniGlove 处在闭环的起点。手套采集的数据用于训练 DUET 2.0 双层架构，模型部署到真实场景，场景中的长尾和异常数据再回流，继续训练模型。

对临界点来说，真机 Ready 数据的采集才刚刚起步。团队希望与科研机构和具身企业一起把这类数据做起来，让灵巧操作模型的训练数据，都能经得起真机的检验。

（来源：临界点）