自变量机器人近日发布了一款名为TwinDEX的数据采集与训练系统，并公开了一段演示视频。视频中，一台机器人独立完成了开瓶取样、滴管操作、玻璃棒引流、混合摇匀等24个子动作，以一镜到底的方式完成整场化学实验流程。该演示的核心特征在于：用于训练模型的数据仅有数百条，且全部为无本体数据，未使用任何机器人真机遥操作数据。
TwinDEX由一套可穿戴的无本体数据采集系统和一套与之匹配的机器人末端执行器组成，中间配套完整的数据处理和策略训练流程。据自变量方面公布的评测结果，TwinDEX在训练模型时，无本体数据近乎可100％完全替代真机遥操作数据。这一结果意味着，在灵巧操作领域，数据采集有望摆脱对机器人本体和固定场地的依赖。
灵巧操作长期以来被视为具身智能领域最难突破的方向之一。其核心瓶颈在于数据采集的两难困境：遥操作方式采集的数据与机器人本体天然匹配，但成本高、速度慢，难以规模化；而通过视频、手套等轻量方式采集人类示范数据，虽然成本较低，却面临采集动作与机器人实际执行动作不匹配的问题。这一矛盾塑造了行业公认的“数据金字塔”结构——真机遥操作数据因包含丰富的真实物理交互信息被视为价值最高的数据类型，但同时也是最难规模化获取的。
TwinDEX的设计思路是从“纯无本体数据训练”的目标出发，反向协同设计硬件、训练和执行系统。其核心原则为“同构”，即让数据从产生之初就符合机器人执行需求，无需复杂迁移即可用于训练和部署。具体而言，同构体现在三个层面：在运动学上保持自由度、关节轴和连杆比例一致；在接触力学上保持接触材料、几何和表面特性一致，并配置对应触觉传感器；在视觉上保持外观一致。自变量方面表示，这种做法旨在从硬件层面取消传统流程中所需的运动重定向和视觉迁移环节，避免关键信息在转换过程中丢失。
从演示视频来看，该系统的操作能力在几个关键动作上得到了验证。开瓶取样环节中，旋开瓶盖依赖的是手指侧摆自由度而非手腕旋转，要求侧摆关节产生足够位移和力矩，同时避免接触点滑移，并在旋松过程中从强力抓握过渡到柔性控制。药勺取粉环节则要求机械臂在瓶口狭窄、视觉遮挡的条件下完成精准探入、舀取和抽出，全程不能碰撞瓶口或洒落粉末，对空间精度和接触感知能力要求极高。
滴管操作是另一个维度的挑战。滴管作为弹性物体，挤压过程中的力反馈呈非线性，力度过小液体无法排出，力度过大则导致液滴飞溅。这一环节无法仅靠位置规划解决，需要在接触发生后持续调节输出力度。此外，机器人还需完成换手、取试管、倒液等连续操作，涉及双手协调与腕部姿态控制。玻璃棒引流环节则要求两只手同时维持接触约束：一只手将透明玻璃棒压在烧杯内壁并保持位置，另一只手拿起水杯缓慢倾斜，使液体沿玻璃棒流入烧杯。玻璃棒透明，视觉系统难以精确感知其位置和姿态，机器人需要在视觉信息不完整的情况下，通过接触力判断玻璃棒是否贴紧杯壁，同时根据液流速度动态调节倾角。两只手同时维持接触约束时，任何一只手的误差都会通过烧杯传导至另一只手。
自变量方面将TwinDEX的特点概括为灵巧性、一致性和可拓展性三个维度。灵巧性方面，TwinDEX的三指灵巧手具备九自由度，其中七个为主动自由度。自变量建立了覆盖多类元操作的灵巧性基准来评估构型，结果显示拇指、食指和中指协同已能覆盖大多数常见操作。一致性是系统的核心设计原则，可拓展性则决定其适用范围的上限。
从行业影响来看，TwinDEX所展示的路径为灵巧操作的数据规模化提供了一种新思路。如果无本体数据能够在复杂长程任务中接近真机数据的训练效果，具身智能领域长期面临的数据采集成本与规模瓶颈有望得到缓解。不过，该方案目前展示的是单一实验场景下的表现，其在更多元化任务和复杂环境中的泛化能力，仍有待进一步验证。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
