北京
训练灵巧的操作策略需要大量的人类演示数据，这些数据精确地代表了手的全部运动范围。手在高度自遮挡的配置中操作，与操作最相关的任务恰恰是基于视觉的跟踪容易失败的任务。对于构建一般化操作模型的团队来说，质量约束始于捕获层。不一致或不完整的手姿态数据限制了下游架构可以学习的内容。
基于MANUS的捕捉，无需依赖摄像机
Mimic Robotics将MANUS数据手套作为人手演示的主要可穿戴输入集成到其训练方案中。手套记录了完整手部的连续、高分辨率的手指数据，产生了清晰的运动流，不受视线限制或环境照明条件的影响。
MANUS手套能够随着时间的推移保持跟踪精度，不会出现漂移累积，这对于跨越多个操作员、捕捉任务和环境的收集工作流程至关重要。每次演示自始至终都会产生一致的姿势数据。
支持跨用例的快速数据集扩展
高精度、无遮挡、无漂移跟踪和快速设置相结合，使Mimic Robotics能够随着新客户用例的引入，快速扩展其数据收集管道。可穿戴方法消除了固定捕捉基础设施可能产生的瓶颈，使团队能够将人手视为便携式高保真数据源，可以部署在任何需要演示的地方。
为什么数据层的精确手部跟踪很重要
随着机器人领域朝着大型和多样化演示数据集上训练的操作策略发展，捕捉层的完整性成为模型性能的基本约束。基于可穿戴手套的传感解决了基于摄像机的方法在源头上的结构限制，产生了一致的、可扩展的和可在受控实验室环境之外部署的运动学数据。对于构建必须在现实世界条件下可靠运行的物理人工智能系统的团队来说，在人类演示期间收集的手部姿态数据的质量直接决定了下游可以学习的上限。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
