双臂遥操作 + 力反馈：主从映射、数据采集与模仿学习，具身智能数据管线的起点。
OpenArm（SMG-012）是一套双臂遥操作机器人系统，由「主臂 + 从臂」两组六轴机械臂构成。操作者用手拖动主臂，从臂便会实时复现同样的动作——这就是具身智能数据采集最常用的方式：让人类直接「手把手」教机器人。
系统通过关节位置映射与力反馈实现主从同步，操作者能「感受到」从臂抓握物体的力度。配合附赠的摄像头与数据采集软件，每一次示教都会被完整记录为「观测—动作」数据对，可直接用于模仿学习训练。
相比单臂方案，双臂的组合能完成需要两手配合的任务：开盒、旋盖、双手搬运、装配。这些任务在工业与家庭场景中极为常见，也是当前具身智能研究最具价值的数据来源。
具身智能领域的共识正在形成：算法不是瓶颈，数据才是。一个大模型可以写代码、可以对话，但要让机器人学会「把杯子扶正」这种常识动作，最有效的方法仍然是——让人手把手做几十遍给它看。OpenArm 就是为这件事设计的：它把「人的动作」高效、准确地变成「可以训练的数据」，这也是当前具身智能研究最紧缺的基础设施。
主从双臂架构，可完成开盒、旋盖、双手搬运等需两手配合的复杂任务。
从臂受力实时回馈到主臂，操作者可感知抓握力度，采集更精细的示教数据。
摄像头 + 关节数据同步录制，输出标准「观测—动作」数据集，可直接训练。
兼容主流模仿学习流程（含 LeRobot 风格数据格式），采集即训练。
两台机械臂角色可互换，也可拆分为两台独立单臂使用，一机多能。
全关节高分辨率编码器，遥操作跟随延迟低于 30 ms，动作平滑无顿挫。
每个项目都有明确目标、可执行步骤与交付产出，学完即可写进作品集或课题报告。
任务目标：让从臂精准跟随主臂动作，并让操作者感受到抓取力度。
交付产出：产出：可稳定遥操作的双臂系统 + 力反馈标定报告
任务目标：采集 100 次抓取示范，构建一个可训练的数据集。
交付产出：产出：一个符合规范的双臂抓取数据集 + 数据质量分析报告
任务目标：完成一个必须两只手配合的任务，如开盒取物。
交付产出：产出：一个双手协同的作业演示 + 与单臂方案的对比分析
| 阶段 / 模块 | 内容要点 | 课时 | 完成后可达成 |
|---|---|---|---|
| 模块一 · 双臂系统与标定（4 课时） | 主从架构、关节映射、延迟测量与力反馈标定 | 4 课时 | 完成主从标定与跟随测试 |
| 模块二 · 遥操作技巧（4 课时） | 高质量示范的动作要领、起始分布设计与失败识别 | 4 课时 | 能稳定完成高成功率示范 |
| 模块三 · 数据采集工程（8 课时） | 时间戳对齐、数据格式、清洗与可视化分析 | 8 课时 | 构建可训练的数据集 |
| 模块四 · 模仿学习训练（8 课时） | 策略训练、超参、验证与实机部署 | 8 课时 | 训练并部署一个双臂策略 |
| 模块五 · 双臂协同课题（8 课时） | 双手任务拆解、时序设计、失败重试与对比实验 | 8 课时 | 完成双臂协同项目与报告 |
不讲黑箱：把关键原理拆开说明，帮助学习者理解「为什么这样设计」。
编程适合规则明确的任务，但「把杯子摆正」这类任务包含大量人类凭直觉完成的微调：接近角度、力度、时机。把人的手直接映射到机器人上，等于把这份直觉变成数据。这也是为什么几乎所有具身智能数据采集方案都采用遥操作。
模仿学习的前提是「这一帧图像，对应这个动作」。如果图像比关节数据晚 30 毫秒，模型学到的就是「看到 A 做 B」的错误对应关系，训练出来的策略会一直慢半拍。工程上通过硬件触发或统一时钟来解决。这是最容易忽视、也最致命的一个细节。
100 次几乎相同的演示，教不出鲁棒的策略；30 次覆盖各种起始位姿、光照与物体摆放的演示，效果往往更好。课程序列特意把「起始分布设计」单独列为一课，因为这是决定数据集上限的关键设计决策。
有力反馈，操作者能感知抓取是否牢固，示范质量更高、失败更少；同时力数据本身也是重要的观测维度，能让策略学会「捏太紧会碎、太松会掉」这样难以从视觉学到的常识。
| 机械参数 | |
| 系统构成 | 六轴主臂 ×1 + 六轴从臂 ×1 |
|---|---|
| 单臂负载 | 1.5 kg（从臂） |
| 单臂工作半径 | 约 600 mm |
| 重复定位精度 | ±0.5 mm |
| 整机重量 | 约 9 kg（双臂含底座） |
| 遥操作与控制 | |
| 控制方式 | 关节映射主从控制 + 力反馈 |
| 跟随延迟 | < 30 ms |
| 力反馈 | 关节电流环力矩回馈 |
| 控制频率 | 1 kHz |
| 数据采集 | |
| 相机 | 顶部 + 腕部摄像头各 ×1（1080P） |
| 采集频率 | 相机 30 FPS，关节数据 100 Hz |
| 数据格式 | 标准「观测—动作」序列（兼容 LeRobot 风格） |
| 接口与电源 | |
| 通信 | Ethernet / USB |
| 电源 | DC 24V 15A |
| 软件生态 | |
| 接口 | Python API / ROS2 / 数据回放工具 |
| 算法示例 | 遥操作、数据采集、行为克隆、双臂协作任务 |
* 以上参数为标准配置实测值，受使用环境影响可能存在合理偏差；支持按项目需求定制配置，具体以合同技术附件为准。
按学习阶段逐步加装，一套平台可以持续用到更高阶的项目与课题。
| 配件 / 升级项 | 说明 | 参考价 |
|---|---|---|
| 腕部/顶部相机扩展包 | 增加视角，提升策略的观测丰富度 | ¥1,899 |
| 六维力传感器包 | 高精度力/力矩反馈，面向精密任务 | 询价 |
| 灵巧手升级包（双只） | 多指灵巧手，支持手内操作研究 | 询价 |
| 移动底盘底座 | 双臂 + 可移动底盘，构成移动操作平台 | 询价 |
| 数据采集加速包 | 高速采集卡 + SSD，提升采集帧率与稳定性 | ¥2,999 |
| 标定工装升级包 | 高精度标定靶标与夹具 | ¥899 |
课堂上最常遇到的几类问题与处理办法，先自查再求助，效率更高。
| 现象 | 可能原因 | 排查 / 处理 |
|---|---|---|
| 从臂跟随有明显延迟 | 采集频率/通信带宽不足或滤波过重 | 提高控制频率、减少平滑滤波；改用有线以太网并降低图像分辨率 |
| 训练出的策略动作僵硬 | 示范动作本身不平滑或数据存在跳变 | 示范时放慢动作；检查数据是否有丢帧与时间戳错位 |
| 双臂运动会互相碰撞 | 时序设计未考虑两臂工作空间重叠 | 在任务规划中显式划分左右臂工作区；加入互碰撞检测 |
| 力反馈忽强忽弱 | 力反馈增益设置与物体刚度不匹配 | 按物体类型预设几档回馈增益；标定电流环力矩估计的零点 |
不确定选哪一套？这里是同系列产品的定位差异，也可直接咨询顾问获取推荐。
| 型号 | 定位 | 与本品差异 |
|---|---|---|
| SMG-012 OpenArm·双臂遥操作机器人 | 科研 · 高级（本型号） | 主从双臂 + 力反馈 + 数据管线，¥9,999 |
| SMG-009 GenkiArm 桌面机械臂 | 科研 · 进阶 | 单臂 + 行为克隆，价格更低，适合先跑通单臂管线 |
| SMG-014 Transformer·全尺寸人形机器人 | 科研 · 旗舰 | 全尺寸人形 + 全栈具身智能，面向高阶科研与赛事 |
以下为公开资料对标的同类产品参数与参考价，用于选型参照。
| 对标产品 / 型号 | 厂商 / 生态 | 关键参数 | 参考价 |
|---|---|---|---|
| 斯坦福 ALOHA | Stanford（开源） | 双臂遥操作 · 模仿学习数据采集 | 开源（约 ¥2–3 万级硬件） |
| 松灵 分体式 ALOHA / COBOT MAGIC | 松灵机器人 | 主从双臂 · 力反馈 · 数据采集 | 约 ¥5–8 万级 |
OpenArm（SMG-012）主从双臂 + 力反馈 + 数据管线的设计，对标斯坦福 ALOHA 与松灵 ALOHA 系列的具身数据采集路线，数据格式兼容主流模仿学习流程。
