这可能是行业第N只手了！这个节点章鱼动力推出的OctoH-Hand在解决什么问题？

灵巧手这件事，最近一直出现在具身的主流叙事线内。

原因很直接：模型可以从视频里学习世界如何变化，也可以生成一段看起来合理的动作，但机器人真正进入真实环境时，最后还是要靠一只手去接触、施力、调整和反馈。

看物理世界的操作，人类一直在围绕双手进行构建。

瓶盖、筷子、门把手、工具和家电，这些物体的尺寸、受力方式和交互逻辑，默认都是给人手设计的。

所以灵巧手不只是末端执行器。它一边要把模型生成的动作落到真实物体上，一边要把接触、受力和运动结果回传给模型。

今天讨论灵巧手，很难只把它当成一个硬件参数问题。手的自由度、触觉、力控和可靠性，最后都会影响同一件事：模型在真实物理世界的行为与动作。

虽然各家都在出自己的解决方案，但什么是终局还需要观察。

据悉，章鱼动力在 WRC 期间即将发布最新的 OctoH-Hand，就是在解决这个问题。它连接的不是单一抓取动作，而是“数据采集—世界模型—执行反馈”闭环：前端采到人的操作数据，中间由模型理解和生成动作，最后还需要一只手把动作执行出去，并把真实接触结果反馈回来。

从特斯拉Optimus到1X NEO，全球具身智能头部玩家的新一代灵巧手正在呈现出清晰的技术趋同：采用腱绳传动，将执行器后置于小臂，以接近人类肌肉与肌腱的方式驱动手部关节。

这并非偶然。人手之所以能够在有限尺寸内兼具灵巧、轻量与柔顺，关键就在于肌肉主要分布于前臂，并通过肌腱驱动手指。绳驱灵巧手沿用了这一仿生逻辑：将重量与体积更大的驱动单元移出手掌，在接近人手尺度的空间内实现更多自由度，同时降低手部重量与运动惯量，为精细操作和安全接触创造条件。

由此，行业共识正从“机器人需要一双手”走向“机器人需要一双更仿生、更通用的手”——高度仿生的绳驱灵巧手，正成为通用人形机器人连接智能大脑与物理世界的关键载体。

对比直驱、连杆等其他灵巧手类型，绳驱手存在以下技术难点：

• 传动链路复杂导致集成难度高

• 绳索蠕变导致定位精度较低

• 绳索摩擦模型和弹性形变模型高度非线性导致控制难度高

章鱼动力这次在 WRC 要发布的 OctoH-Hand，选择的就是绳驱高自由度仿生手路线，也是 OctoHardware 硬件系列的第一款产品，由团队全栈自研。

这条路线难的地方，不只是做出一只“像手”的外形，而是要把腱绳传动、触觉、力控和长期稳定性放到同一个系统里。

章鱼动力给出的方案是：把硬件结构和模型算法一起设计，用算法处理绳驱系统里的摩擦、弹性形变和非线性控制问题，再通过触觉、力觉和运动反馈，把执行端发生的真实结果送回模型。此外，在结构和数据采集上也做了很多提升：

• 接入 OctoSense 数采矩阵，减少高自由度灵巧手训练里的数据断点；

• 采用接近人手的尺寸、自由度和运动方式，降低人类操作经验迁移到机器手上的成本；

• 通过全闭环力控和大面积触觉，把接触过程纳入反馈链路；

• 利用绳驱本身的弹性和张力缓冲，为柔顺接触和安全交互留出空间。

不过，到这里讲清楚的主要还是“手”本身。

对具身模型来说，一只灵巧手进入训练和部署链路，还要回答另一个更现实的问题：人类操作数据怎么变成这只手可以执行的动作。

手的结构越复杂、自由度越高，数据从采集端迁移到执行端时，信息损耗和调参成本就越容易被放大。

这也是为什么章鱼动力会把 OctoH-Hand 和 OctoS-DexUMI （之前我们分享过）放在一起设计的原因。前面讲的是手为什么要走高自由度、绳驱、仿生路线；接下来要看的，是它怎么把采集端和执行端对齐，让“人做过的动作”更少经过重定向和反复调参，直接进入机器人手。

具身智能训练长期面对一道隐形鸿沟：人的动作可以被采集，但采集到的数据往往无法直接用于机器人。

这个原因很明确。

数采设备与灵巧手在关节构型、自由度定义和感知方式上存在差异，传统方案通常需要经过运动重定向、参数映射和反复调试，才能将人的示教转化为机器人可执行的动作。链路越长，信息损失、误差累积和工程成本就越难避免。

针对这个问题，这次章鱼动力给出了“数采孪生”方案：OctoS-DexUMI外骨骼数据采集手套 & OctoH-Hand五指灵巧手。

两者采用一一对应的运动构型、自由度定义与感知配置。执行同一任务时，数采手套采集到的关节角度、触觉、力、视觉信息可直接作为控制信号导入灵巧手系统，稳定复现整个任务过程。

这一设计从根本上跨越了传统数据采集中的重定向鸿沟，实现所采数据可直接复现，显著提升数据质量与采集效率，为机器人操作技能的快速学习与规模化部署提供了坚实的数据基础设施。

数据不只被记录，更能够被执行。

机器手越接近人手的尺寸、关节关系和运动方式，人类示教里的轨迹、接触和用力习惯，越有机会少折损地迁移到执行端。

回到 OctoH-Hand的仿生设计，它更像是在尝试降低人手数据到机器手执行之间的映射成本：机器手越接近人手，数据迁移时需要补偿的环节就越少。如果细看仿生这个维度的话，更主要体现在尺寸相近和运动相近两个层面。

OctoH-Hand 的整体尺寸与关节比例参照成年人的手部结构，在有限空间内集成腱绳传动机构、关节角度传感器与触觉传感器；手部执行器远置于小臂，通过类似肌肉与肌腱的方式驱动关节，以降低手部重量与运动惯量，并为精细操作留出更多结构空间。

运动相近，体现在更细的自由度和多指协同能力上。OctoH-Hand 采用手部 n+1 全腱绳驱动与小臂电机直驱的混合驱动方式，共集成 28 个独立可控执行器，实现 23 个主动自由度，可支持多指协同、拇指对掌、指尖操作和复杂抓握等动作。

运动能力决定机器人能不能完成动作，感知能力则决定它能不能把动作做得稳定、细腻且安全。

OctoH-Hand在手掌和手指表面集成了超过1900个触觉传感单元，阵列间距≤1mm，达到行业领先水平。独特的多层式感知结构设计实现触觉手套感知信号零滑移偏差，确保接触信息的稳定一致，构筑精准且可靠的物理信息接口。

在控制层面，OctoH-Hand基于关节可反驱的机电特性，融合关节电流环反馈与触觉双重力感知信号，构建了从内部驱动力到外部接触力的真正全闭环力控系统。以关节驱动力、速度、加速度的融合信号为前馈，结合关节位置和触觉信号包含的精细接触特征，建立高精度力学运动控制模型，实现带电反驱与零力拖动等多种复杂交互。

还有执行器可反驱设计，这让外力引起电机电流波动即可实现力感知。结合手掌与手指表面覆盖的大面积触觉阵列，以及腕部随动相机，感知维度跃升至超人水平，让机器人能够真正"跟着感觉走"，完成各类精细且复杂的操作任务。

对于真正走向产业应用的灵巧手，完成一次高难度动作并不是终点。能否在产品全周期内持续保持精度、稳定性和安全性，才是从实验室演示走向真实场景的关键。

在可靠性方面，OctoH-Hand通过协同底层硬件的设计改良与底层软件的参数辨识，实现了平均无故障工作时间（MTBF）1000小时的"超长巅峰期"。

而针对腱绳系统蠕变带来的传动精度问题，OctoH-Hand从材料、结构与算法三个层面进行协同优化。

硬件层面，OctoH-Hand选用钨合金腱绳，并采用直线执行器作为动力源；通过优化腱绳导向路径和导向件表面涂层，显著降低同等作用力下的腱绳蠕变、摩擦与结构磨损，同时为后续补偿算法预留充足的执行器行程空间。

算法层面，OctoH-Hand在底层运动控制模型中加入蠕变辨识算法，通过参数自整定与控制指令实时补偿，实现全周期内重复定位精度稳定≤0.1mm，以及亚毫米级绝对定位精度。

同时，机械反驱设计使其在无供电状态下仍可被动反驱，能够降低意外碰撞带来的冲击，为人机共处和复杂环境作业提供额外安全保障。

但“一手多能”还不是完整答案，“脑手一体”才是章鱼动力要构建的最终闭环。

这也是今年叙事主线中，手之外，和模型紧密结合的话题。

只有当“大脑”能够理解物理规律、判断任务目标并生成动作策略，驱动通用灵巧手在开放环境中持续感知、推演、决策与行动，机器人才能超越预设动作，真正迈向物理AGI。