一、行业痛点梯度类重定向算法制约机器人学习数据质量当下VLA视觉语言动作、VAM视频动作等具身智能模型迭代效果高度依赖高质量人手遥操作示教数据手部运动学重定向是机器人数据采集的核心环节。传统梯度类重定向算法易陷入局部最优引发操控轨迹高频抖动不仅削弱精细操作精度还会提升操作人员认知负荷制约具身智能数据集质量与算法落地效果。针对该痛点苏黎世联邦理工、斯坦福大学联合mimic robotics团队推出SBR采样式手部重定向算法。作为全新无梯度优化方案SBR依托采样控制与自适应采样技术可实现低抖动、低延迟的实时手部运动映射经标准化仿真测试与18名多熟练度受试者真人对照实验验证了稳定的实操性能与科研价值。二、SBR 算法核心技术架构SBR摒弃传统梯度迭代缺陷结合关键点配准与路径积分控制架构通过批量采样择优筛选机器人手部最优姿态自带轨迹平滑滤波特性从源头抑制遥操作抖动。算法适配各类手部尺寸无需复杂参数调试搭配平衡拉丁方实验设计评测体系严谨、可复现性强。【图1SBR算法整体系统架构与采样优化原理示意图】研究设置卡片拾取、立方体垂直旋转、螺丝刀枢转三类典型精细任务覆盖抓取、姿态调节、工具交互核心场景横向对标DexPilot、GeoRT、Hybrid三款主流重定向算法多维度完成公正性能评测。【图2论文三大真实人机实操任务场景展示图】三、实测核心成果科研领域关键启发1.实操表现稳健SBR综合任务成功率达54.1%优于同场景多款主流算法精细抓取任务成功率可达70.9%实操稳定性表现良好【图3四款算法任务成功率】2.人机负荷更低NASA-TLX人机负荷评分36.4分满分100有效缓解长时遥操作疲劳保障示教数据连续性【图4NASA-TLX负荷评分对比统计图】3.数据纯度更高姿态余弦相似度0.9969、运动保真度0.776大幅降低轨迹噪声适配具身智能模型训练的数据需求。该研究首次将采样控制落地于实时手部重定向场景突破传统算法性能局限同时搭建了标准化、可复用的评测基准体系统一行业任务、人因、量化评测标准为具身智能高质量数据采集、灵巧遥操作算法迭代提供全新思路。【图5各算法轨迹平顺性、抖动指标仿真量化对比图】四、实验室复现硬件配套方案复刻SBR全套实验、搭建标准化遥操作科研平台可选用适配性极强的成熟科研硬件Manus 数据手套、Kinova Gen3 轻型机械臂、Shadow 五指灵巧手、OrcaHand。Manus 数据手套英伟达官方采集设备25自由度追踪、120Hz采样率精准匹配SBR算法控制频率保障人机映射精度Kinova Gen3机械臂依托低延迟轻量化特性贴合论文固定臂实验方案精准验证算法真实性能Shadow五指灵巧手24自由度高仿生结构适配各类精细操控实验OrcaHand开源低成本满足从基础抓取演示到高级触觉感知研究的多样化需求适配课题组快速复现对照实验。引用论文项目主页https://mimicrobotics.github.io/smooth-operator/论文链接https://arxiv.org/abs/2607.07491欢迎关注 “欣佰特科技” 持续为大家带来 “具身智能领域”前沿技术及应用详情可邮件咨询salescnbestec.com
