简智机器人DAS 2.0定档11月9日CoRL：头手协同采集人类操作数据

2026年11月7日，简智机器人对外宣布，DAS 2.0系列定于11月9日在美国奥斯汀举行的CoRL会议现场正式登场。这一系列涵盖两款新品：新一代灵巧手数据采集手套DAS Dex 2.0，以及新一代第一视角头戴式多模态数据采集设备DAS Ego 2.0。两者头手配合，把视觉、手部运动与触觉信息同步记录下来，瞄准真实场景中成规模的人类操作数据采集，为机器人学习人类技能供给多模态Human Data。

具身智能手里的人类操作视频越攒越多，可从采集规模到训练价值之间，还横着几道坎：画面拍下了操作，遮挡却可能让动作标签失真；手的轨迹看着相似，接触结果却大不一样；接触即使被量到了，佩戴干扰、信号干扰加上长期漂移，也可能把标签的含义改掉；数据留下了抓取片段，走近目标、选择站位、搬运转移的完整过程却可能漏掉；人类把任务做完了，机器人未必能照着同一套动作来。

局部操作与完整任务之间的这道裂缝，在机器人离开固定工位时格外明显。抓取之前，身体站在哪儿，决定了目标能不能看见、手臂够不够得着；抓取之后，起身、转向、移动又会改变身体和物体的相对关系。数据若只留下手在目标附近的动作，模型就很难学到这次操作为什么能做成，也难学到怎样把它和前后步骤接上。

这些问题最后都汇到训练端：一段数据里，模型能学到多少可靠的动作约束？接触与调整信息缺了，同样的手部动作为何结果不同就说不清；测量随设备状态变化，不同批次的数据就难保可比；身体与阶段衔接缺了，局部技能怎样拼成连续任务也解释不了。数据建设得同时做三件事：扩大场景覆盖，提高交互监督的密度与可靠性，留住任务所依赖的身体状态和动作连续性。

简智机器人DAS 2.0正是围绕这些断点来组织数据能力：

Ego设备负责扩大自然环境与任务覆盖；

Ego设备加腕部相机，细化运动和手部动作；

Ego设备配Dex手套，提供原生关节、动作与真实触觉监督；

Whole-body数据则进一步把身体位置、躯干姿态与手部操作连起来。

规模、动作粒度、原生测量与任务完整性，DAS 2.0系列均有覆盖，合起来是一套可扩展的数据体系。

三种数据配置：规模、动作细节与原生监督各管一段

任务不同，需要的数据深度也不同。DAS 2.0给出Ego、Ego＋Wrist Camera与Ego＋Dex三种配置，从场景覆盖到动作细节，再到关节与触觉测量，一层层往上补。

Ego 2.0走的是轻量化、规模化采集的路子，能覆盖更多操作任务与环境，也能做到全身覆盖。

这套配置较轻，方便进入更多自然场景，把不同的操作者、作业对象、空间布局与操作习惯都保留下来。它的核心价值在于把数据分布做丰富：多元环境、异常工况、失败操作及修复过程都收进来，靠第一视角影像与头手轨迹搭出完整任务背景，帮模型学到跨场景的通用规律，不再死依赖固定操作台和标准化流程。

Ego+Wrist Camera 提升的是手部接触与动作记录的精度。

全局记录交代任务过程，腕部连续画面补上接近方向、手指调整、手—物相对运动与局部形变。配合标定与轨迹重建，这类数据能把动作片段组织得更细，把不同视角对齐，并把从接近、调整到拿起的变化描述出来。它加深了局部动作的记录深度，同时保留以视觉为主的采集方式，给精细动作数据的覆盖扩大留出空间。

该模式保住了视觉采集轻量化的长处，有助于大批量生产精细动作数据。不过这份增量要看工作距离、运动模糊、遮挡以及时空对齐的脸色，部分关节状态与接触信息仍有不确定性。

Ego+Dex 输出的手部监督更完整，是原生的、全模态的。

关节传感直接记下手部构型与动作变化，触觉记录真实接触，再与第一视角、头手轨迹一起对齐。这组数据能给视觉推断提供独立的测量依据，也能把外观相近、物理结果不同的示范区分开。它在数据体系里充当高质量监督标尺，管的是动作精度、手部构型与接触结果，而不只是多了一种传感模态。

混合训练时，广覆盖数据撑开任务分布，动作细节数据提升过程分辨率，原生测量数据约束关键状态与动作标签。选哪种配置，由任务需要的信息决定：模态更完整的适合担精细监督，更轻的适合扩大真实场景覆盖。不同配置可以共享可对齐的任务、轨迹和交互表征，各自用上实际具备的监督。要做双视角触觉预测，还得进一步采集Ego第一视角+Wrist腕部相机+Dex手套的同步配对数据。

Whole-body数据把身体与任务过程之间的联系补进了这套体系。环境观察、手部交互与身体运动放到同一时间轴和空间参考下，才谈得上进一步学习：同一个末端目标，什么时候该靠近，什么时候该侧身或下蹲，操作做完后又怎样进入下一阶段。

DAS Ego 2.0：像素升到5MP，对模型训练到底有多大用？

DAS Ego 2.0 装了2颗500万像素主相机与4颗200万像素辅相机，核心相机模组从单颗200万像素升到500万像素；整机水平视野由270°拓到340°。前者让局部采样密度更高，辨认手指、物体边缘这类局部细节时图像信息更足；后者把周身环境覆盖扩大，一个管细节辨认，一个管动作连续记录。

宽高比、单相机视场和距离都不变时，2MP到5MP意味着宽、高方向的线性采样各多出约58%，单像素在物体表面对应的投影边长约缩小36.8%。这说的是成像采样上的变化，实际重建精度还要看镜头、曝光、标定、遮挡与算法。综合这些因素，DAS Ego 2.0指尖追踪标称精度可达4 mm。完整任务里的动作质量，还得看局部手部精度、头部定位与跨相机标定能不能一起稳住。

硬件像素往上走，对模型训练的帮助集中在两处。

先看监督标签的质量。高分辨率图像被拿去做离线关键点定位、多视角匹配和轨迹重建，细小结构不容易再混淆，标签偏差随之减少。哪怕训练时模型最终喂进去的是缩小后的画面，更靠谱的动作标签也可能留得下来。放到后训练环节，同一个视觉状态对应的目标动作更清楚，模型被错误轨迹带偏的概率就低一些。

再看模型真正吃进去的输入信息。所有画面最后都缩成同一尺寸的话，新增的细节很可能在预处理阶段就丢掉了。靠局部裁剪、多尺度输入这些手段把接触区域的关键特征保住，硬件采集的优势才能传到模型那一端。前者管的是模型“学什么”，后者管的是模型“依据什么做出判断”，硬件升级最后能兑现多少训练价值，由这两头一起说了算。

DAS Dex 2.0：靠材料与结构创新，搭起可靠的原生监督

触觉数据有没有价值，头一条就看可不可靠。Dex 2.0 用的是自研半柔性压阻式电子皮肤加侧置仿生外骨骼，从操作不受干扰、信号抗干扰、持续采集质量三个方面把数据质量兜住。

可靠性先体现在接触本身尽量不被采集设备搅扰。传感材料贴不贴合、顺不顺从、接触表面什么特性，都会影响摩擦、受力分布和抓握方式。材料与结构设计得一起把自然操作的接触条件保住。Dex 2.0 把主要外骨骼挪到手指侧面，机械关节贴近人手的运动轴，指背、指腹和掌面都留出了空间，贴面拾取、掌内调整以及狭窄空间操作里的结构干扰因此减少。

其次是检测信号能把真实接触和非目标干扰分开。手指屈伸、材料弯折拉伸、佩戴预紧、通道串扰，都可能让读数偏离真正要测的接触。触觉材料与传感结构上的创新，要处理的就是把这些因素和目标接触区分开，让同一种接触在不同动作阶段仍然有可比较的表达。对模型来说，这决定了它学到的是物体与手的相互作用，还是设备自身的变化。

第三是长期采集中的测量一致性。已经做完的一个月采集测试里，同等条件下重复同样的动作，触觉测量的响应保持一致。这给不同时段的数据提供了持续比较的基础，设备状态变化带来的批次差异也能少一些。采集从单次演示走向持续生产之后，长期稳定性直接决定数据能不能进同一套监督体系。

在这个可靠性框架下，Dex 2.0 把微型磁编码器和运动学标定结合起来，形成21 DoF的手部运动表示；单手16块触觉传感器、980个感知单元，以0.1 N最小检测力记录接触。视觉被遮挡时，原生关节测量补上手部构型；触觉则把接触位置、强弱变化和释放时序跟动作对齐。测量细到什么程度、长期一致性如何，共同决定这些数据对动作学习、状态估计和失败恢复有多大用处。

用真实触觉，训练更可扩展的双视角方案

Dex 的长期价值，可以延伸到不必戴同一套手套的采集与部署场景。同步记录的 Ego+wrist+Dex 数据，能为视觉触觉学习提供配对训练数据：画面当输入，关节与触觉测量给出物理监督。经过配对训练，后面的 Ego+wrist 方案有望靠视觉判断有没有发生接触、接触区域在哪、强弱怎么变，并给出相应的置信度。

走配对监督加知识蒸馏这条路，精细采集里学到的物理信息有望用到更广的 Ego+wrist 数据上。原生触觉的三层可靠性是这一切的基础：设备改变了接触条件，示范的自然性会受影响；信号混进非目标干扰，标签对真实接触的表达会走样；测量响应随时间漂移，相似的画面就可能对应上不一致的标签。材料与测量体系可靠，视觉模型学习稳定的画面与接触对应关系才有依据。

Dex 配对采集可以盯住新材料、困难样本和失败后的调整过程，给视觉难以判断的情形补上实测依据。视觉模型输出的状态估计，则能当作后训练的辅助目标，或者为动作选择提供条件信息。实测标签和模型预测要明确区分开，各自的置信度信息也得保留，免得预测误差在后续训练里被一遍遍放大。

腕部视角的用处，是把更多接触线索拉进可见范围。局部形变、物体边缘的相对位移、物体有没有随手一起动，都能结合 Ego 记录的任务背景去理解；真实触觉则帮模型搞清楚，这些视觉线索在不同对象上什么时候能可靠地反映接触。双视角补上观察信息，同步配对的测量给这些可见变化提供物理依据。

当前接触估计和未来接触预测，训练目标并不一样。前者靠当前及历史观察，判断正在发生的接触；后者要结合拟执行的动作和相关状态，预测接下来可能出现的变化。继续夹紧、抬升还是松手，结果可能各不相同。把动作纳入预测，才有机会比较不同候选动作的影响，给机器人提前调整提供参考。

视觉还是会碰上光看画面定不了接触状态的情况：外观一样的物体重量可能不同，隐藏的接触也未必留下看得见的线索。所以模型得能表达判断的不确定性；绝对力值的估计需要校准，关键控制仍要结合机器人自身的反馈。新场景里模型拿不准的样本，可以再去做实测采集，把模型能可靠判断的范围一点点扩大。

Whole-body：打通策略、全身协调与执行

真实任务里的操作，发生在身体与环境不断变动的关系中。手部轨迹记录的是局部技能，Wholebody 则把这些技能成立的身体条件和前后衔接保留下来，让模型学到更完整的任务过程。

策略层补的是操作前后的决策。站在哪里、什么时候移动、什么时候调整观察位置，直接关系到可见性、可达性和下一步的操作空间。连续示范给出这些选择和任务结果之间的对应，有助于研究无效停位更少、反复调整更少的任务策略。

同一个目标，身体可以给出多种解法，协调层要补的正是这一块。遇到高度、距离、障碍各不相同的场景，末端那一段位移能由根部移动、躯干调整和手臂伸展共同分担。模型把这些关联记录下来，运动生成便有了更丰富的动作参照，也能借此研究在身体受限时如何完成到达与操作。

执行层连接连续运动和真实机器人的约束。拿起物体后的起身、转向和搬运，要同时保持身体稳定与末端目标。全身轨迹和动作分布能提供运动参考，稳定跟踪、抗扰和负载适应则要靠机器人自身状态、接触反馈和控制系统一起完成。

硬件协同、持续采集，让多模态数据形成合力

多路传感器得对准同一次交互，才能拼出可用的监督信号。DAS Ego 2.0和Dex 2.0靠统一时钟、硬件触发和曝光控制，把头与手的时间对齐做到1 ms级。按手速0.5 m/s算，1 ms的错位大约对应0.5 mm位移，10 ms则接近5 mm。这只是时间错位在几何上带来的偏差，却足以说明同步水平为何会直接影响动作标签和接触标签的匹配质量。

连续采集也离不开工程层面的设计。Ego 2.0支持不关机更换磁吸电池包，单包续航约2.5至3小时；采集状态检查和批量后处理能减少记录中断、压掉无效数据。细节采样、接触测量和连续采集，就这样被这些机制串到了一起，高质量记录更容易长时间保持下去。

DAS 2.0的产品升级正落在这一整条链路上：Ego拓宽数据分布，Ego加wrist补足动作细节，Ego加Dex给出原生监督，Wholebody负责衔接移动、身体协调与操作，机器人数据则完成执行层面的适配。几者一起推的，是数据规模、监督质量和任务完整度同步往上走，让模型既学得会单次交互，也学得会怎么把交互组织成连续任务。

具身智能要走向产业化，高质量的人类示范数据底座是机器人自主学习、适应复杂场景的重要支撑。DAS 2.0这次发布，把自然示范、动作记录到高精度感知的整条链路打通，高质量交互数据的获取门槛继续下探。简智机器人方面表示，后续将持续投入具身智能数据基础设施，迭代数据产品与配套工具链，并与科研和产业伙伴合作，推动数据规模化与模型创新。