跳转至

DexTeleop-0（力觉驱动的双手灵巧遥操作）

📌 一句话：双手灵巧遥操作系统，针对"接触密集任务遥操作难、缺力/触觉反馈 → 高精任务采数效率极低"的痛点，提出触觉驱动的实时修正：把人手粗略追踪意图，经接触点估计 + 指尖力感 + 操作空间雅可比，实时修正成力顺应的机器人指令。第一视角(VR/AR)感知，朝"共享自主"。 🎬 arXiv 2606.23431（2026-06-22）· 项目页 🔬 全文精读 + 关键图 + 数字：详读-DexTeleop-0

🧰 对我们（速判）

  • 正中"采数效率"痛点：遥操作是主流采数法，但接触任务因 embodiment gap + 无力反馈而低效——这正是数据护城河的关键（见 概念-机器人数据与标注、追踪-Sunday-Memo 的采集手套思路）。
  • 与我们方向强相关：力/触觉驱动的接触采数，呼应我们"低成本接触数据采集"的设想。
  • 能借：用力感 + 操作空间雅可比实时修正遥操作指令的机制，补"人手→机器人"映射误差。
  • 真实性：全文已读、数字具体(实机分阶段成功率大幅超基线,如试管 77.1% vs 34.3%)、硬件明确(UR7e+Sharpa,56-DoF)；但开源未确认 → 证据 B。

关键（全文，详见 详读-DexTeleop-0）

  • 痛点：遥操作接触任务 embodiment gap + 无力/触觉反馈 → 高精采数效率极低。📄
  • 方法：30Hz QP 优化环——接触点估计 + 指尖力感 + 操作空间雅可比 → 把人手意图实时修正为多指力平衡、力顺应指令(q_final=q_遥操作+Δq)。📄
  • 结果：实机齿轮/插孔/分拣/试管等接触任务,成功率大幅超纯遥操作与 PD,且接触力更小(更轻柔)。📄
  • 硬件：2×UR7e + Sharpa Wave(22-DoF/手) + 指尖力传感 + Meta Quest 3(无动捕) + IsaacSim 孪生。📄

与我们的关系

来源