在小说阅读器读本章

去阅读

在具身智能快速发展的今天，高质量数据已成为驱动能力提升的关键基础，然而一个核心问题也随之而来：

如何让机器人数据采集更快、更稳、更有效？

港大联合复旦、上交大近期提出的TAMEn（Tactile-Aware Manipulation Engine for Closed-Loop Data Collection in Contact-Rich Tasks）给出的核心答案是：

在 UMI 框架基础上做了全方位升级——不是只给一个采集设备或训练代码，而是构建了视触感知融合 + 精度与便携兼顾 + 数据可靠性增强 + 持续进化的数据闭环。

从数据采集、策略训练，到部署纠错、再训练，整条链路被打通，让机器人学得更快、更准、更高效。

TAMEN 视触觉闭环数据引擎总体流程

上图对应 TAMEN 的三层闭环：

1. Data Collection Hardware（数采硬件层）：数采设备、传感器、灵活兼容的采集方式。

2. Data Recipe（人在环数据层）：在线可行性检查，数据金字塔体系。

3. Data Flywheel（价值推理与训练层）：AR触觉反馈遥操作、介入纠错、闭环采集。

三者串联，形成了真实场景中的"数采 - 训练 - 部署 - 纠错 - 再训练"持续迭代闭环。

TAMEN 的技术闭环

可行性在线验证：

带拓扑约束的 marker 追踪，提升遮挡与复杂交互下的跟踪稳定性。

融合运动学与动态约束的在线可达性验证（关节限制、速度约束等），确保数据可重播，告别数据后处理清洗。

双模式数据采集：

高精度动捕，实现亚毫米精度数采

便携 VR，实现 in-the-wild 低成本采集

高精度与便携性间实现灵活切换

持续进化闭环：

推理中 AR 介入，自研 tAmeR APP，赋予遥操作者实时触觉反馈

记录 recovery 状态下的视觉、触觉、位姿信息，采集珍贵"纠错数据"

金字塔式数据体系：

从大规模单臂触觉预训练→双臂任务微调→失败恢复数据闭环优化

双臂协作任务验证

在多项双臂协作任务中，TAMEn 将平均成功率从 34% 提升至 75%，这些任务并非简单堆叠，而是覆盖了接触丰富操作中的几类典型难点：从中草药倾倒中对可变形物体的协调控制，到线缆装配中的柔性物体的适应性抓握与插入判断，再到弹簧夹收纳中的多阶段协同时序配合，以及擦盘子中的持续接触。

触觉输入、预训练和闭环纠错三者分别带来持续性能提升，且提高泛化性与鲁棒性。这标志着机器人数据采集正从"可用"迈向"可持续优化"的新阶段。

TAMEn，让机器人不再"盲操作"，而是"有触觉、可进化"的协作伙伴。

项目主页：

https://opendrivelab.com/TAMEn

论文：

https://arxiv.org/abs/2604.07335

Github：

https://github.com/OpenDriveLab/TAMEn

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

我们正在招聘一名眼疾手快、关注 AI 的学术编辑实习生  � �

感兴趣的小伙伴欢迎关注 � �  了解详情

� � 点亮星标 � �

科技前沿进展每日见