具身智能领域长期存在一个现实瓶颈：要让机器人学会灵巧操作，往往需要大量真机遥操作数据，但这类数据采集成本高、效率低，且受设备数量和场地限制。9月2日，具身机器人企业自变量发布了一对孪生三指九自由度灵巧操作手 TwinDEX，试图用“无本体数据”改变这一局面。
按照官方说法，TwinDEX 由两只结构高度一致的灵巧手组成：一只可穿戴，用于人类操作员采集动作数据；另一只安装在机器人上，用于真实部署。由于采集端与执行端在运动学、接触力学和视觉外观上保持一致，系统可以绕开传统跨本体数据迁移难题，实现纯无本体数据、零真机遥操作数据驱动的灵巧操作训练。
三指结构瞄准“最小可行性解”
在硬件形态上，TwinDEX 没有选择更常见的五指路线，而是采用三指九自由度设计，其中七个为主动自由度。自变量表示，这一方案是在灵巧性、可靠性和成本之间做出的平衡。
通过对多种基础操作的测试，官方发现，三指结构通过拇指、食指和中指的协同配合，可以完成生活场景中的大多数操作。换言之，三指并非为了追求结构复杂度，而是被定义为灵巧操作的“最小可行性解”。在配合足够成熟的基础模型后，这种结构也能够承担复杂任务。
这一选择背后有明确的工程考量：五指手虽然理论操作上限更高，但硬件成本、控制复杂度和维护难度也同步上升，不利于大规模数据采集和部署。三指方案则降低了系统复杂度，也为后续规模化采集提供了条件。
一致性设计是无本体数据可用的关键
无本体数据过去难以直接训练机器人策略，主要原因在于采集设备和真实机器人之间存在差异。人的手、外骨骼、仿真设备或低成本采集装置，与机器人执行器之间的运动学结构、接触反馈和精度表现并不完全一致，导致采集到的动作数据往往需要真机数据对齐或微调后才能使用。
TwinDEX 的思路是从最终部署效果反向设计采集端。官方称，该系统在多个层面保持采集端与执行端一致：
- 运动学一致：自由度、关节轴和连杆比例保持一致。
- 接触力学一致：接触材料、几何形状和表面特性保持一致，并配置对应触觉传感器。
- 视觉外观一致：减少视觉输入差异对模型训练的影响。
- 精度优化：针对关节、手腕定位、抖动和漂移等指标进行优化。
在此基础上，自变量还通过模型与训练策略设计，提高策略对残余误差的容忍度，降低采集端和部署端之间微小差异对任务表现的影响。这使得无本体数据不再只是辅助数据，而可以作为主要训练来源。
采集效率达到真机遥操作5.3倍
TwinDEX 的另一重点是数据采集规模化。传统真机遥操作依赖机器人本体、固定场地和设备使用时间，数据产能天然受限。TwinDEX 的采集端采用可穿戴三指外骨骼，操作员可以在相对简单的环境中完成数据采集。
官方将其概括为：“一名操作员、一张桌子、一套外骨骼，就是一个完整的数据采集单元。”外骨骼提供力反馈，帮助操作员完成自然、精细的接触操作；模块化方式则允许多名操作员、多套设备并行采集，从而摆脱机器人数量对数据规模的限制。
自变量给出的评测数据显示，在相关任务中，TwinDEX 的每小时数据采集效率达到真机遥操作的 5.3 倍。在数据利用效率方面，多任务基准测试显示，无本体数据和真机遥操作数据训练出的策略性能，随数据量增长以相同速率提升并最终收敛。官方据此认为，无本体数据在训练效果上几乎可以 100% 替代真机遥操作数据。
对具身智能数据路线的意义
灵巧操作训练长期面临一个难以兼顾的组合：数据质量、灵巧性和可规模化。高精度遥操作数据质量好，但成本高；低成本采集容易扩展，却常常牺牲质量；高自由度五指系统操作能力更强，但硬件成本和采集难度也更高。TwinDEX 试图通过采集端与执行端高度一致的方式，同时兼顾三者。
如果这一路线成立，具身智能的数据金字塔可能被重新排列。过去，真机遥操作数据因包含丰富物理交互信息，被视为最有价值、也最难规模化的数据层级。而 TwinDEX 的做法是让更易采集的无本体数据达到接近真机数据的效果，从而降低灵巧操作训练对昂贵真机数据的依赖。
自变量表示，下一步将继续扩大数据规模，从单一桌面场景扩展到开放环境，从固定任务延伸到更长尾的分布。TwinDEX 的可穿戴、无本体、分布式采集架构，也被官方视为下一阶段规模化数据基础设施建设的一部分。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/ling-qiao-shou-xun-lian-bu-bi-yi-lai-zhen-ji-zi-bian-liang
