斯坦福开源灵巧手遥操：正向采数+反向接管，Manus/力反馈手套×灵巧手怎么搭触觉闭环

灵巧手要「会干活」，往往先得让人「教得会、救得住」。斯坦福与哥伦比亚团队合作的 DITTO-X，把遥操从「看着屏幕掰手指」，推进到「关节力 + 指尖接触」的双边闭环，并提出反向遥操：策略跑着的时候，外骨骼先把你的手指摆到机器人当前姿势，再交给你接管。论文还把商业手部追踪手套 Manus 当作对照——这正好也是许多团队正在用的采数工具。

 

对做具身智能落地的团队来说，更实际的问题是：开源研究给了什么启发？我手头的 Manus、SenseGlove、WEART，配上 Tesollo、Shadow 等灵巧手，怎样组一套从立项到上手的方案？本文把论文要点说清楚，再落到可采购路径。

 

▲ DITTO-X：前向力/触觉反馈与反向遥操（图片来源：Stanford TML 项目页，仅作资讯说明）

 

这篇论文到底做了什么？

论文标题：Forward and Reverse Teleoperation for Dexterous Manipulation and Human Intervention（arXiv:2610.00781）。系统名 DITTO-X，是一种手型无关的主动驱动外骨骼接口，目前验证驱动了三款商业灵巧手：Sharpa Wave、Wuji 2、Inspire。

• 前向遥操：人带动机器人；机器人上的关节力估计与指尖接触事件，回传给操作员（力矩感 + 指尖振动）。

• 反向遥操：机器人（或策略指令）带动人的手指，接管前姿态已经对齐——减少「一把夺过来把东西抖掉」的事故。

• 数据：同步规划释放 DITTO-Human 数据集，约 1888 条 episode，覆盖演示、人机干预与自主评估。

• 对照：同一套任务上对比 Manus Pro 这类商业追踪手套；在采数吞吐和干预成功率上，带力反馈与反向能力的接口优势明显（详见论文用户实验）。

一句话启发：接触丰富的灵巧操作，不能只靠摄像头；而策略部署中的人机协同，不能只靠「突然把控制权扔给人」。

 

▲ 反向遥操概念示意（来源：项目页视频封面）

 

开源进度：先看清「现在能拿什么」

项目主页与论文已经公开；GitHub 仓库 Stanford-TML/ditto-x 目前主要托管项目页与演示素材，README 写明代码、硬件指南与 DITTO-Human 数据集即将放出（coming soon）。因此：

• 今天就能做的事：读论文、对齐任务设计、用现有手套+灵巧手搭采数基线、把「干预时姿态对齐」写进流程。

• 需要等待/自研的事：官方外骨骼 BOM、完整控制栈、数据集下载与训练脚本。

• 对外表述建议：这是前沿研究开源进程中的重要节点，不等于「明天就能按仓库量产一台 DITTO-X」。

 

和你手上的手套：怎么对上号？

DITTO-X 本身是主动外骨骼研究平台；产线与实验室更常见的，是可采购的数据手套与力反馈手套。结合其他服务的产品组合，可以这样理解：

1）Manus：规模化采数的「论文对照位」

论文正是拿 Manus 作为纯追踪基线。Metagloves Pro / Pro Haptic 等方案以高精度指尖追踪见长，适合快速铺开演示数据采集；Haptic 版本可把接触事件做成指尖振动。它很强，但默认不能像 DITTO-X 那样把手指反驱到策略姿态——干预流程要靠暂停、降速和操作员训练来补。

实践配方：Manus → Tesollo 灵巧手（三指精密 / 五指复杂抓取），是许多团队从 0 到 1 最稳的采数起点。

2）SenseGlove：把「用力」带回操作员

若你读完 DITTO-X 最心动的是关节力与接触感，SenseGlove R1 / Nova 2 是目前产品侧最接近「用力闭环」的选项之一：主动力反馈 + 振动/掌部接触，适合工具使用、插装、模仿学习里的力感知演示。它与论文中的 reverse teleop 并不等同，但已经能显著降低「只能看、不能摸」的保守操作。

实践配方：SenseGlove → Shadow 或 Tesollo，做接触丰富任务的高质量示教。

3）WEART：力、纹理、温度的指尖体验

WEART TouchDIVER 系列更像高品质「指尖触觉渲染器」：力、纹理乃至温度。它非常适合培训、演示和让操作员建立正确接触直觉，但通常仍需 Manus（或视觉）提供完整手部骨架。把它理解成「感知外挂」，而不是单独的遥操全家桶。

 

▲ 不同示教接口训出的策略，在工具接触瞬间的稳定性会分叉（来源：项目页）

 

灵巧手怎么选？（简表）

需求	可优先考虑的手	手套组合提示
交付友好、装配/抓取落地	Tesollo Delto 系列	Manus 主力；要力感加 SenseGlove
顶尖仿人手科研	Shadow Hand	SenseGlove / Manus
四指科研存量	Allegro（手，不是手套）	Manus 等
论文方法对标	Sharpa / Wuji / Inspire	跟踪 DITTO-X 官方栈

           

 

以下组合可覆盖科研与工业两端，按“手套（采数/力感）×灵巧手（执行）”主线选型：

 

行业 / 领域	典型应用场景	推荐产品组合
高校与科研院所	具身智能研究、模仿学习、灵巧操作算法验证	Manus ＋ Tesollo / Shadow / Allegro
人形机器人企业	遥操作数据采集、示教训练、策略部署与干预	Manus ＋ Tesollo DG-5F
工业制造	精密装配、柔性抓取、质检	Tesollo 系列 ＋ Allegro V5 Sense
物流自动化	分拣、搬运、包裹处理	Tesollo DG 系列
危险环境作业	核能、太空、深海远程操作	SenseGlove ＋ Shadow 遥操作套件
医疗康复	康复训练评估、手术模拟、假肢研究	Manus ＋ WEART TouchDIVER
XR / VR 培训	沉浸式技能培训、虚拟装配	SenseGlove Nova 2 ＋ WEART

 

解决的关键问题与痛点

 

关键痛点	解决方式
采数效率低、标定繁琐	Manus 一分钟部署、毫米级零漂移追踪、热插拔电池，规模化采集更省时
操作员“只能看不能摸”	SenseGlove 主动力反馈、WEART 指尖触觉渲染，补上接触感
策略干预时接管不稳 易掉物	借鉴 DITTO-X 反向遥操思路，手套×灵巧手先对齐姿态再接管
末端触觉信息缺失	Tesollo 可选指尖力传感器、Allegro 16 通道压力传感，触觉进数据
系统集成复杂	Shadow / Tesollo / Allegro 均支持 ROS / ROS2，接入主流开发栈

 

 

一张「从立项到上手」路线图

• 立项：任务是否接触丰富？要不要策略在线干预？要不要真正的反向姿态对齐？

• 选型：采数规模 → Manus；力感 → SenseGlove；多模态演示 → WEART；手 → Tesollo / Shadow …

• 联调：SDK → 重定向 → 控制器；标定与急停；先完成无接触开合。

• 采数：脚本化重置；记录失败；为 DAgger 留干预片段。

• 训练与部署：基座策略 + 谨慎接管；无 reverse 时用「暂停预览 + 降速」降低掉物。

 

▲ 干预数据进入 DAgger 后，策略有望修好分布外失败（来源：项目页）

DITTO-X 提醒行业：下一阶段的灵巧遥操竞争，不只是「追踪更准」，还有「接触是否回得来、接管是否接得住」。作为具身智能手套与灵巧手方案服务商，愿意和高校、企业实验室一起，把这些研究洞察翻译成可采购、可联调、可采数的工程组合——在官方代码与数据集完整放出之前，先把你的基线台架立起来。

 

原始链接

项目主页：https://tml.stanford.edu/ditto-x/

arXiv：https://arxiv.org/abs/2610.00781

GitHub：https://github.com/Stanford-TML/ditto-x

相关微信资讯：https://mp.weixin.qq.com/s/1T3NUzmhfGzDUsDcAkYcDw