点击下方卡片，关注“具身智能之心”公众号
作者丨Yanwen Zou等
编辑丨具身智能之心
本文只做学术分享，如有侵权，联系删文
更多干货，欢迎加入国内首个具身智能全栈学习社区：具身智能之心知识星球(戳我)，这里包含所有你想要的。
研究背景与核心需求
在双机械臂策略学习中，大规模高质量的真实世界操作数据一直是瓶颈——相比仿真或纯人类数据，真实机械臂数据对训练鲁棒政策的直接适用性最强。而当前获取这类数据的主要方式仍是人类演示，这就需要可靠的遥操作接口支撑。
现有演示接口主要分两类：
末端执行器轨迹记录设备（如DexCap、UMI、OpenTelevision）：虽轻便易用，但收集的数据常出现运动学奇点、超出机械臂工作空间、精度不足等问题，还需复杂后处理； 主从遥操作系统（如ALOHA、GELLO）：通过机械同构的主臂实现直观、物理约束下的演示，能确保轨迹可被机械臂执行，但存在两大痛点——适配不同商用机械臂需大量工程工作，且成本极高（ALOHA双臂超5万美元，GELLO单臂仍需270美元）。
正是为解决“高兼容性”与“低成本”的矛盾，U-ARM应运而生：目标是打造一款开源、超低成本、易适配的主从遥操作系统，让研究者能快速为各类商用机械臂搭建数据收集 pipeline。
现有方案的痛点与U-ARM的定位
为更清晰体现U-ARM的价值，可先对比现有主流遥操作设备的核心特性（如Table 1所示）：
高成本方案（如ALOHA）：虽支持重力补偿、易用性强，但成本过高限制普及； 低成本方案：VR头显存在晕动症问题，SpaceMouse难以实现双手操作，Joycon（游戏手柄）虽仅20美元，但实际操作效率低； 过渡方案（如GELLO）：虽支持3D打印、适配多商用臂，但依赖较贵的Dynamixel电机，成本仍有下降空间； 入门级方案（如LeRobot）：5自由度桌面级机械臂虽便宜，但无法适配更常用的6/7自由度商用臂，导致训练模型难以泛化。
U-ARM的定位正是填补“超低成本”与“高兼容性”之间的空白：借鉴GELLO的3D打印思路，但进一步简化设计——主臂无需主动驱动（仅需记录关节角度，无需Dynamixel电机），同时通过机械优化保证关节活动范围约束与结构刚性，最终将单臂成本压至50.5美元（6DoF）和56.8美元（7DoF），且满足“无晕动症、易双手操作、无遮挡”的实用需求。
U-ARM系统设计
硬件设计：适配商用臂的标准化构型与成本优化
三种构型的设计逻辑
多数商用6/7自由度机械臂会遵循3种标准化关节序列（满足Pieper准则、优化灵活工作空间、拟人化结构），即使连杆长度不同，关节类型与排序也基本统一。基于这一观察，U-ARM设计了三种主臂构型（两种6DoF、一种7DoF，如Figure 2所示），每种构型对应适配不同商用机械臂（如Table 2所示）：
Config-1（6DoF）：适配Xarm6、Fanuc LR Mate 200iD、KUKA LBR iiSY等； Config-2（6DoF）：适配Dobot CR5、UR5、AUBO i5等（特别调整了Joint5与Joint6的顺序，适配这类机械臂的交叉轴腕部结构，通过软件反转控制逻辑保证操作直观性）； Config-3（7DoF）：适配Franka FR3、Franka Emika Panda、Flexiv Rizon等。
机械结构与电机改造
基础材料与耐用性优化：所有部件采用PLA 3D打印，最小壁厚设为4mm（保证PLA材质的耐用性）；针对低-cost 3D打印主臂常见的“关节连接板松动/断裂”问题，所有关节采用双轴固定设计，缓解前几个关节承受的高径向往复载荷。 电机改造：降本与体验的关键：主臂无需主动驱动，仅需记录关节角度——因此拆解中菱舵机，移除内置齿轮箱（原齿轮箱导致关节阻力过大，无法顺滑移动），仅保留编码器用于角度测量；同时通过调整关节轴螺丝松紧控制阻尼，平衡“易移动性”与“稳定性”：既避免阻力过大导致操作卡顿，也防止阻力过小导致关节（如Config-1的Joint3、Config-3的Joint4）在水平延伸时因重力下坠。 关节活动范围设计：U-ARM主臂的关节活动范围（如Table 3所示）故意设为较窄区间——既能覆盖典型桌面操作需求，又能避免极端姿态破坏结构完整性或引发异常关节行为，提升系统稳定性。
算法设计：确保运动平滑与适配性
编码器标定
中菱舵机编码器的有效范围为0-270°，且移除齿轮箱后无法通过指令反馈修正位置——因此安装前需手动将编码器调至135°中性位，确保主臂在正常操作中不会超出编码器范围，避免不可预测的运动。
标定与滤波插值
不同商用机械臂的结构差异大，无法设定统一初始位置，因此每次遥操作需执行以下流程：
初始化：让从臂先移动到预定义初始姿态，主臂靠近该姿态后完成初始化并接管控制； 角度映射：目标角度计算逻辑为： 滤波与插值：若目标角度变化量（）小于滤波阈值，则不执行动作（避免微小扰动导致从臂抖动）；否则将角度变化量分为步，逐步发送控制指令（如Algorithm 1所示），确保从臂运动平滑、准确。
实验验证与结果分析
实验分为“仿真适配”与“真实世界对比”两部分，核心验证U-ARM的“适配性”与“效率优势”。
仿真适配：提前验证与数据准备
在基于SAPIEN的ManiSkill环境中适配U-ARM，支持7种商用机械臂（如Arx-x5、Xarm、Panda等，如Figure 4所示）——用户可在操作真实机械臂前，在仿真中验证关节角度映射错误等潜在问题；同时可在仿真中收集演示数据，用于MimicGen等数据扩展方法，降低真实世界数据收集成本。
真实世界实验：对比Joycon
以U-ARM（Config-1）和Joycon（低成本遥操作代表）操控Xarm6执行5种典型桌面任务（如Figure 5所示：Fanta从货架2层到篮子、Oreo从货架1层到篮子、Fanta从纸箱到货架2层、叠罐头、从猫砂盆拿积木），记录“任务耗时”与“成功率”（紧急停止计为失败），结果如Table 4所示：
效率优势显著：U-ARM平均耗时17.7秒，Joycon平均耗时29.04秒，数据收集效率提升39%——原因在于桌面任务的“大范围移动”阶段：Joycon作为末端控制设备，难以直观实现主臂的大范围扫掠运动；而U-ARM的主从关节映射设计，让操作者能更自然、快速地完成“靠近目标”的动作。 成功率可接受：U-ARM平均成功率75.8%，略低于Joycon的83%——主要因为Joycon松开摇杆即可停止运动，能减少精细操作中的误操作；而U-ARM需实时传输手部动作，精细操作（如叠罐头）时易出现微小误差，但这一牺牲被“效率大幅提升”覆盖，属于可接受的trade-off。
参考
[1]U-ARM : Ultra low-cost general teleoperation interface for robot manipulation
内容分享与企业合作
如果您需要在我们平台分享相关内容或有更多合作需求，欢迎添加负责人微信了解更多：oooops-life。
