章魚動力推出OctoSense下一代具身數采産品：肌電大模型一模千人泛化，外骨骼手套人機同構對齊

　　/朝聞通/換一個人，不給模型任何新數據，不做個體訓練，肌電模型還能直接用嗎?

　　章魚動力全球首次實現肌電跨個體零樣本泛化——正式發布OctoSense三大數采方案，把人的動作與發力轉化為可用于機器人訓練的數據

　　在世界機器人大會(WRC)前夕，章魚動力給出了答案：SynEMG肌電大模型全球首次面向具身數據采集實現肌電跨個體零樣本泛化，真正讓肌電從"一模一人"，走向"一模千人"。面對沒有進入訓練集的新個體，模型無需新增個體數據、無需增量訓練，即可恢複手部姿态和發力狀态。

　　圍繞具身數據，章魚動力正式推出OctoSense數采産品：以魚眼頭環、肌電手環和外骨骼同構數采手套為核心硬件，形成OctoS-Ego、OctoS-EgoBio、OctoS-DexUMI三大數采方案。三大方案均已完成産品化，可以實際體驗。

　　魚眼頭環通過四顆魚眼相機記錄第一視角視覺，并由AINative雙目空間大模型恢複真實尺度與三維深度。

　　肌電手環采集前臂肌電信号，并由SynEMG肌電大模型恢複手部姿态與發力狀态。

　　外骨骼同構數采手套直接采集人手驅動的操作數據，并近乎無損地對齊靈巧手真機。

　　在SYNData模型算法與數據工程能力支撐下，三大方案采集的視覺、肌電及其他傳感器數據，經過物理信息恢複、多模态對齊與切片、質量清洗和語義信息生成，最終形成标準化、可追溯的數據集并交付下遊使用。

　　• 真正稀缺的不隻是原始數據，更是可訓練數據

　　具身智能的數據采集規模正在快速增長，但總量增長并不等于模型能力同步增長。大量原始數據會因為多模态時間戳錯位、三維尺度漂移、遮擋下的姿态與力信息缺失、标注不完整等問題，無法進入訓練。

　　章魚動力正式提出具身數據的價值公式：具身數據價值=物理完備度×場景多樣度×采集規模×數據質量。

　　這四項不是相加，而是相乘。隻要其中一項接近零，數據的整體價值就會被大幅削弱。因此，具身數據系統必須同時回答：如何構建數據采集路徑，以及如何将原始數據處理為可訓練的數據資産。

　　• OctoSense：三種采集硬件，三大數采方案

　　OctoSense是一套以真實人類操作為中心建立的數采産品體系。魚眼頭環、肌電手環和外骨骼同構數采手套三種硬件各自解決一類關鍵缺口，三種硬件通過不同組合，形成三大互補的數采方案：

　　三大方案并不是互相替代，而是在行為自然度、采集規模、物理模态完整度與真值精度之間提供不同組合;通過不同的組合實現具身數據價值公式的最大化。

　　01｜SYNEMG肌電大模型：全球首次實現肌電跨個體零樣本泛化

　　• 視覺難以獲取遮擋下的手部姿态與真實發力

　　在真實操作中，手部經常被遮擋;即使動作可見，視覺也很難直接判斷操作者是否發力以及發力大小。

　　肌電信号來自肌肉活動，并先于可見動作出現。它能夠為模型補充兩類視覺難以獲取的信息：遮擋下的手部姿态和手部發力狀态。

　　肌電手環：僅80g、前臂16通道電極陣列，手部完全裸露、零負擔

　　• 肌電規模化的真正難題，是"換一個人還能不能用"

　　不同人的肌肉結構、皮膚狀态、發力習慣并不相同。傳統肌電模型通常圍繞固定用戶和固定任務訓練，這讓肌電長期停留在"小規模實驗狀态"：如果每增加新個體，都要新增一輪個體數據、訓練和校準，那麼具身數據采集就很難進行規模化擴展。

　　SYNEMG肌電大模型徹底改變了這一狀态。

　　章魚動力以大規模無标注多通道時序信号進行自監督預訓練，讓模型先學習跨個體、跨佩戴狀态的通用肌電表征，再遷移到手勢識别、連續手部運動恢複和發力狀态估計等任務。從不同信号分布中學習可以遷移的共同結構，從而對個體差異、佩戴位置和長時間漂移保持魯棒。

　　SYNEMG全球首次面向具身數據采集實現肌電跨個體零樣本泛化：

　　• 零數據泛化：新個體無需提供新增訓練數據、無需微調标定，佩戴即用。

　　• 跨個體姿态恢複：同一模型可精準恢複不同個體的手部姿态和發力狀态。

　　• 極緻精度突破：SynEMG在零樣本跨人姿态重建上誤差降低50%，率先實現了毫米級的絕對定位精度。

　　• 端到端規模化：肌電突破不再隻是"識别更準"，而是真正從"一模一人"走向"一模千人"，支撐具身數據的高效規模化采集。

　　當魚眼頭環第一視角視覺與肌電手環結合，OctoS-EgoBio方案能夠在手部被遮擋時繼續恢複手部狀态，并獲得毫米級關節點與0.1N級主動發力，讓一次操作不再隻有"看見了什麼"，還包含"手部如何運動"和"實際用了多大力"。同時因為手部保持自然裸露，具備超過傳統真機采集方式1000倍效率的規模化潛力。

　　02｜外骨骼同構數采手套：讓人手動作與發力，近乎無損直達靈巧手真機

　　OctoS-Ego與OctoS-EgoBio适用于規模更大、場景更多樣、行為自然度更高的采集需求，例如預訓練數據采集;對于後訓練等對物理真值要求更高的任務，外骨骼同構數采手套則進一步提升數據精度。

　　它能夠同步記錄全掌接觸力分布和亞毫米級手部姿态。更關鍵的是，外骨骼同構數采手套與章魚動力自研靈巧手采用相同的關節自由度和運動結構，采集端與靈巧手本體采用一體化同構設計。

　　仿生外骨骼數采手套：與自研靈巧手完全同構，人手數據近乎無損映射為靈巧手數據

　　為什麼"同構"比單純的"高精度"更重要

　　通常，除真機遙操采集外，無本體操作數據要被機器人使用，需要經過跨本體重定向（Retargeting）：将手部動作轉換到關節數量、自由度、運動範圍和結構都不盡相同的靈巧手上。這個過程會引入形變與誤差，動作可以被"掰"過去，但原始接觸關系、力分布和精細關節狀态很難完全轉換。

　　這就是RetargetingGap，它不是後處理多做幾步就能徹底消除的問題，而是由采集端與執行端結構差異帶來的先天損失。

　　外骨骼同構數采手套從源頭消除這道鴻溝：人手作為動力驅動數采手套完成操作，當數采手套與靈巧手完全同構，那麼采集得到的操作數據就能與靈巧手以近乎1:1的關系對齊。

　　魚眼頭環與外骨骼同構數采手套組合形成的OctoS-DexUMI方案，其價值不隻是"采得更準"，更是讓靈巧操作數據從采集之初就成為靈巧手能夠直接使用的數據。

　　03｜魚眼頭環：四魚眼顯著降低手部出畫，魚眼雙目大模型給出真實三維尺度

　　具身操作不僅需要動作與發力，還需要知道操作者看見了什麼、目标在哪裡，以及動作發生在怎樣的空間關系中。

　　單顆普通廣角相機的視野有限，雙手在大幅移動時容易出畫;同時，單目圖像缺少尺度信息，難以恢複真實空間尺度與距離。

　　章魚動力頭環集成了四顆魚眼相機：前方兩顆、左右兩側各一顆，形成約330°×150°的大視場，覆蓋雙手、操作對象與周圍環境。對于走動、轉身、伸手取物等移動操作，環視視場能夠顯著降低手部離開畫面的概率。

　　前視兩顆魚眼組成立體雙目系統，基線為60mm。借助AINative雙目空間大模型，系統能夠基于魚眼圖像恢複真實尺度與三維深度，并在保留大視場的同時實現毫米級深度估計精度，為手部、物體和環境之間建立真實三維尺度。四魚眼解決"看不全"，前視雙目解決"量不準"。

　　Ego頭環：環形布局集成四顆魚眼相機，前視兩顆兼作雙目

　　04｜SYNData：模型算法與數據工程，讓采集數據成為标準化數據集

　　硬件決定數據采不采得到，SYNData決定采回來的數據最終能不能用。

　　SYNData不隻是一個數據處理平台，而是一套由模型算法和數據工程共同支撐的數據系統。它從圖像、肌電和其他傳感器信号中計算操作的物理狀态與語義信息，并進一步完成多模态對齊、切片、清洗和組織，最終形成标準化、可追溯的數據集。

　　經過SYNData處理，OctoSense三大方案采集的數據不再隻是零散的視頻和傳感器信号，而是物理信息更加完整、多種模态相互對應、質量結果有據可查，并可供下遊檢索和複用的數據資産。

　　OctoSense負責完整記錄真實操作，SYNData負責将多模态采集數據計算、組織為可用的數據集。

　　• 從"采集一次真實操作"，到"沉澱一段機器人經驗"

　　回到最開始的乘式：具身數據價值=物理完備度×場景多樣度×采集規模×數據質量。

　　SYNEMG肌電大模型解決跨個體泛化，讓肌電擺脫逐人訓練和标定;外骨骼同構數采手套解決跨本體對齊，讓無本體操作數據近乎無損直達靈巧手真機;四魚眼頭環以雙目補全第一視角視覺和三維尺度;SYNData則通過模型算法與數據工程，将多模态采集數據轉化為标準化、可追溯的數據集。

　　OctoS-Ego、OctoS-EgoBio、OctoS-DexUMI三大方案覆蓋不同的采集需求，SYNData為它們提供統一的數據計算、處理與交付能力。兩者共同把一次真實操作，沉澱為機器人可以使用的數據。

　　讓肌電跨越個體，讓人類操作數據近乎無損地對齊真機，讓每一次真實操作都成為機器人可以學習的經驗。