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

案例基于EgoScale：用不同的以自我为中心的人类数据来衡量灵巧手的操作。挑战像拧开盖子、使用工具和精细的手指控制等灵巧的机器人操作训练成本很高。目前的方法依赖于大量的遥操作机器人演示，这种演示速度慢，而且规模昂贵。与此同时，人类每天都会产生大量灵巧的操作数据，但将这些知识转移到机器人身上仍然具有挑战性。解决方案EgoScale将大规模以人为中心的视频作为主要训练资料来源，并通过以下方式将其与精

在非结构化的真实世界制造环境中部署人形机器人是机器人研发中最难解决的问题之一。实现这一能力的有效途径是遥操作驱动的模仿学习——捕捉人类运动数据，并使用它来训练机器人策略，这些策略可以在不同任务和条件中进行扩展。为了应对这一挑战，阿波罗人形机器人的开发商Apptronik选择使用MANUS手套，在德国柏林的梅赛德斯-奔驰生产工厂中收集机器人学习所需的精确手部和手指运动数据，并以此训练其机器人完成各种