機器人前瞻（公眾號：robot_pro）
作者 許麗思
編輯 漠影

具身智能要想從能跑能跳走向能干活的真實場景，除了身體的運動能力外，雙手還必須能在復(fù)雜物理世界里穩(wěn)定、可控地完成精細操作。

從家庭場景中的整理收納，到物流倉庫分揀形狀各異的包裹，再到日化車間進行生產(chǎn)作業(yè)等等，這些看似簡單的動作，背后都需要機器人的雙手對力度、材質(zhì)、接觸狀態(tài)的精準感知與判斷。

機器人前瞻1月8日報道，近日，樂聚機器人正式開源首批 800 條高質(zhì)量靈巧操作數(shù)據(jù)，這是國內(nèi)首次面向真實作業(yè)場景的人形機器人靈巧操作真機數(shù)據(jù)，填補了國內(nèi)填補高質(zhì)量靈巧操作數(shù)據(jù)空白，已在樂聚OpenLET 社區(qū)上線。

▲靈巧手指尖觸覺&腕部六維力矩

樂聚OpenLET社區(qū)是樂聚機器人在開放原子開源基金會平臺發(fā)起建立的開源社區(qū)，以“LET人形機器人真機數(shù)據(jù)集”為核心資產(chǎn)，聚焦人形機器人領(lǐng)域的真實數(shù)據(jù)開源與生態(tài)共建，為全球開發(fā)者、科研團隊及企業(yè)搭建協(xié)作橋梁，加速具身智能技術(shù)的研發(fā)與產(chǎn)業(yè)落地。

值得一提的是，后續(xù)樂聚還將開放工業(yè)場景的靈巧操作數(shù)據(jù)，相關(guān)動態(tài)可通過樂聚 OpenLET 社區(qū)持續(xù)關(guān)注。

這一數(shù)據(jù)集的開源，填補了具身智能領(lǐng)域高質(zhì)量靈巧操作數(shù)據(jù)的迫切需求，將為行業(yè)技術(shù)創(chuàng)新提供關(guān)鍵數(shù)據(jù)支撐。

一、高質(zhì)量物理交互數(shù)據(jù)缺失，機器人“看得見摸不準”

大模型與多模態(tài)融合技術(shù)為具身智能產(chǎn)業(yè)帶來了巨大的發(fā)展機會，機器人不再局限于預(yù)設(shè)程序的機械執(zhí)行，而是具備了更強的環(huán)境適應(yīng)性，能夠在復(fù)雜多變的環(huán)境中完成任務(wù)，讓行業(yè)看到了規(guī)模化落地的曙光。

大模型帶來了強烈的機器人能力躍遷的觀感，但聚焦到操作現(xiàn)場，我們會發(fā)現(xiàn)，機器人雖然擁有了更聰明的大腦，知道要干什么，但常?！翱刂撇蛔∈帧?。

高質(zhì)量物理交互數(shù)據(jù)的缺失，正是制約具身智能技術(shù)落地的核心一環(huán)。在真實場景中采集數(shù)據(jù)時，受到環(huán)境復(fù)雜性、數(shù)據(jù)采集設(shè)備限制等因素的影響，數(shù)據(jù)質(zhì)量參差不齊，遠遠無法滿足模型訓(xùn)練的需求。

同時，行業(yè)長期高度依賴視覺方案，機器人在面對抓取、裝配等精細操作時，力度、材質(zhì)、摩擦這些關(guān)鍵信息很難被準確捕捉，自然容易陷入“看得見摸不準”的窘境。

高質(zhì)量物理交互數(shù)據(jù)的缺失，還意味著行業(yè)容易陷入的“重復(fù)造輪子”的情況。不少企業(yè)、科研團隊都需要從零開始搭建采集系統(tǒng)、積累數(shù)據(jù)，不僅造成了大量的資源浪費，更延緩了整個行業(yè)的技術(shù)迭代速度。

正是洞察到行業(yè)這些痛點，樂聚機器人選擇開源靈巧操作數(shù)據(jù)集，打破了單一視覺數(shù)據(jù)的局限，為機器人模型訓(xùn)練提供了更多維、精細的多模態(tài)數(shù)據(jù)來源。

二、以真實場景為核心，數(shù)據(jù)維度更豐富

樂聚此次開源的靈巧操作數(shù)據(jù)集，聚焦于真實作業(yè)場景，覆蓋家庭、物流、日化三大具身智能落地的關(guān)鍵領(lǐng)域，包含 800 條高質(zhì)量真機操作數(shù)據(jù)，并且數(shù)據(jù)維度更加豐富。

該數(shù)據(jù)集最核心的升級，在于新增兩類關(guān)鍵數(shù)據(jù)維度：觸覺數(shù)據(jù)與六維力數(shù)據(jù)，這也是靈巧操作里最關(guān)鍵、卻最難從視覺里獲取的訓(xùn)練信號。

觸覺陣列數(shù)據(jù)：6×12×5指尖觸覺傳感器采集的時序壓力數(shù)據(jù)，能讓靈巧像人手一樣，在觸摸到物體的時候就能感知到材質(zhì)、形狀和接觸狀態(tài)；

六維力數(shù)據(jù)：記錄抓取、放置等動作的三維力和力矩信息，精度達±0.5%。

這兩類數(shù)據(jù)，能夠讓機器人在物理交互時理解該怎么接觸、該用多大力、力要往哪使，從而顯著提升精細操作的穩(wěn)定性、魯棒性。

該數(shù)據(jù)集還包含了另外三大維度：

RGB-D視覺數(shù)據(jù)：提供高分辨率彩色圖與稠密深度圖，精準還原場景完整外觀與三維空間信息，為機器人定位物體提供基礎(chǔ)；

同步動作信息：配套手部關(guān)節(jié)角度、速度等實時數(shù)據(jù)，實現(xiàn) “視覺 – 力觸 – 動作” 的全鏈路對齊，讓模型清晰理解感知與動作的關(guān)聯(lián)邏輯；

多場景標注：涵蓋快遞分揀、快消上料、家庭物品抓取等典型任務(wù)，每條數(shù)據(jù)均附帶場景類型、物體材質(zhì)、操作目標等多維度語義標簽，支持自然語言與動作對齊建模。

為確保數(shù)據(jù)的可用性與一致性，避免因設(shè)備差異導(dǎo)致的數(shù)據(jù)偏差，統(tǒng)一采集本體至關(guān)重要。該數(shù)據(jù)集基于樂聚新一代靈巧手完成統(tǒng)一采集，這款靈巧手以 “全感知升級” 為核心，還融合了實時力覺反饋與指尖觸覺感知技術(shù)。

這款靈巧手160–185°/s 的關(guān)節(jié)速度確保操作高效響應(yīng)，0.35 秒的開合響應(yīng)時間能夠適配物流分揀等高速作業(yè)場景，±0.2 毫米的定位精度實現(xiàn)毫米級精準控制，滿足日化抓放、工業(yè)裝配等精細操作需求。

從家庭場景穩(wěn)定抓取水果、快消場景無損抓放物料到快遞場景高效分揀，它都能精準地完成。

▲家庭場景穩(wěn)定抓取水果

▲快消場景無損放料

▲快遞場景高效分揀

三、從數(shù)據(jù)集到產(chǎn)業(yè)飛輪

相較于仿真數(shù)據(jù)在模型訓(xùn)練存在的Sim2real鴻溝，真實數(shù)據(jù)源自真實環(huán)境中的物理交互，能精準還原力覺反饋、環(huán)境干擾等仿真數(shù)據(jù)難以模擬的細節(jié)，同步采集多維度數(shù)據(jù)，優(yōu)勢顯著。

對模型訓(xùn)練而言，優(yōu)質(zhì)的真實靈巧操作數(shù)據(jù)能夠提升訓(xùn)練效能與實用性，推動機器人從“看得見”向“操作得準”跨越，把演示成功率變成持續(xù)可復(fù)現(xiàn)的真實作業(yè)能力，其核心價值已在多個真實場景中得到驗證。

該數(shù)據(jù)集多模態(tài)的觸覺-視覺融合、力控策略的不斷優(yōu)化，打破了純視覺方案的局限，賦予靈巧手像人手一樣的環(huán)境感知能力，構(gòu)建的穩(wěn)定物理交互閉環(huán)，提升復(fù)雜環(huán)境下的操作穩(wěn)定性。

模型的泛化能力在數(shù)據(jù)集的賦能下大幅增強，數(shù)據(jù)集覆蓋不同材質(zhì)、不同形態(tài)、不同場景的多樣化操作樣本，使得模型能夠靈活應(yīng)對各類物體的操作需求，跨場景適配能力顯著提升。

高質(zhì)量的物理交互數(shù)據(jù)能夠顯著提升任務(wù)成功率，這一點已在紙箱拆垛、順豐快遞分揀等場景得到驗證，機器人能實時感知物體狀態(tài)和力度，就算遇到條碼遮擋、物品破損、表面濕滑等復(fù)雜情況，也能通過觸覺補償快速調(diào)整操作策略，精準完成任務(wù)。

▲紙箱拆垛

▲快遞分揀

除此之外，該數(shù)據(jù)集還有望降低了行業(yè)研發(fā)落地門檻，配套的數(shù)據(jù)工具包和示例代碼開箱即用，能夠快速將數(shù)據(jù)應(yīng)用于模型訓(xùn)練，大幅縮短研發(fā)周期。

靈巧操作數(shù)據(jù)集的價值遠不止于單一技術(shù)優(yōu)化，還打通了“算法研究 — 模型訓(xùn)練 — 場景測試 — 產(chǎn)業(yè)驗證”的全鏈路環(huán)節(jié)。它既能夠支撐觸覺識別模型的訓(xùn)練評估，又能為抓取策略、力控算法提供真實驗證環(huán)境，更深度賦能多模態(tài)融合、具身推理等前沿方向研究，推動具身智能技術(shù)的快速迭代與規(guī)?；涞亍?/p>

結(jié)語：高質(zhì)量物理交互數(shù)據(jù)，加快機器人進化與落地

當各大機器人廠商加速把機器人推向工業(yè)、商業(yè)與家庭等更復(fù)雜的真實場景，行業(yè)對高質(zhì)量物理交互數(shù)據(jù)的需求水漲船高，這是從展臺演示跨越到長期穩(wěn)定運行的關(guān)鍵一環(huán)。

在這樣的背景下，樂聚選擇開源靈巧操作真機數(shù)據(jù)，不只是一次資源共享，也是向行業(yè)輸出了標準化數(shù)據(jù)建設(shè)的實踐經(jīng)驗。這有望幫助機器人提升動作精度與環(huán)境適應(yīng)能力，增強跨場景泛化能力，縮短從算法研究到場景驗證、再到規(guī)?；渴鸬逆溌?，加快更多應(yīng)用落地，讓真正的商業(yè)化更早發(fā)生。