背景由Meta FAIR开发的OSMO手套通过在人类演示过程中捕捉丰富的触觉反馈，这一用例的实现标志着人类到机器人技能转移的突破。挑战大多数在演示管道中学习的机器人严重依赖于基于视觉的手部跟踪。当指尖被物体、工具或表面遮挡时，这些方法在真实世界操作中就会失效。同时，视觉无法推断压力、剪切力或抓握稳定性等接触力。因此在没有触觉信息的情况下训练的策略经常会因不一致的压力应用、滑动或在执行期间失去接触而

人工智能竞赛的欧洲方案与可以在数十亿个网页上进行训练的大型语言模型不同，人形机器人需要高质量的真实世界物理交互数据。这些数据在互联网上根本不存在，仅靠模拟无法复制真实世界物理的复杂性。2026年3月发布的TUM RoboGym(由NEURA驱动)正是应对此挑战创建。该设施由NEURA Robotics和慕尼黑工业大学(TUM)的慕尼黑机器人和机器智能研究所(MIRMI)联合建造，位于慕尼黑机场的T

训练人形机器人执行长视野、灵巧的操作任务需要高保真的遥操作数据。虽然大规模人类视频数据集可以提供广泛的运动先验，但关键的微调步骤取决于机器人特定的演示，这些演示将会包含灵巧操作的全部复杂性。传统的基于虚拟现实的手部跟踪依赖于视觉，这使得其更容易受到追踪遮挡和超出视线范围的影响。在高精度操作场景中，这些跟踪间隙会直接降低数据质量，导致最终降低模型性能。MANUS手套如何融入ψ₀遥操作系统南加州大学物

在今年的英伟达GTC展会上，英伟达带来了Isaac Teleop。Isaac Teleop是一个跨模拟和现实世界系统的远程操作和数据收集的统一框架，标准化了人类输入如何转化为机器人动作。全新版本的Isaac Teleop在机器人领域带来了更广泛应用。随着该领域向具身智能和通用机器人政策发展，瓶颈不再仅仅是模型架构，而是高质量人类演示数据方向转变。NVIDIA的Isaac生态系统一直在不断发展，其提

将视觉-语言-行动(VLA)策略扩展到具有高自由度灵巧手的双手机器人是一项艰难的挑战。ByteDexter V2灵巧手每只手有21个自由度，该方案创造了一个传统遥操作方法难以企及的56自由度双手系统。字节跳动Seed的研究人员在GR-Dexter技术报告中指出，当每个末端执行器都是需要精确、协调控制的多指拟人手时，难度会大大增加。为了让VLA的操作在该规模上取得成功，研究人员需要捕捉复杂的手与物体

在当前的机器人研究中，有多种方法用于人对机器人的遥操作，包括基于视觉的跟踪、运动捕捉系统、VR接口和外骨骼服等。然而目前仍然没有标准化的框架来客观一致地比较这些方法。一项来自上海人工智能实验室2025年的研究通过引入以下内容填补了这一空白，TeleOpBench评价双臂灵巧遥操作的统一基准。该基准统计了英伟达Isaac Sim中运行一致的任务并将任务成功率和完成时间作为模拟和物理环境中的主要评估指