自变量发布TwinDEX：纯无本体数据搞定24步复杂长程实验

无本体数据跑通复杂长程任务的里程碑时刻已经到来。

在自变量机器人最新公布的演示中，一台机器人独立完成了开瓶取样、滴管操作、玻璃棒引流、混合摇匀等24个连续子动作，一镜到底完成了整场化学实验。值得注意的是，训练该机器人所用的数百条数据全部来自无本体数据采集，未包含任何一条真机遥操作数据。

这套支撑长程灵巧操作的系统名为 TwinDEX，由一套可穿戴无本体数据采集设备与匹配的机器人末端执行器构成，并配套完整的数据处理与策略训练管线。评测显示，在训练模型时，TwinDEX 的无本体数据近乎可以 100% 替代真机遥操作数据。

24个动作一镜到底：攻克误差累积与多维力控

此前行业内的灵巧手演示多以短链条的单次抓取和放置为主，容错空间较大。而本次演示包含24个连续子动作，核心挑战在于长任务、双手协同与连续工具切换中的误差累积。毫米级的定位偏差在多步骤传递后会被急剧放大，一镜到底证明了系统具备极高的闭环修正稳定性。

实验中展现了多个关键力控难点：

• 开瓶与取样：旋开瓶盖依赖手指侧摆自由度而非手腕旋转，需要手指在接触过程中提供足够的侧向位移与切向力；药勺在狭窄瓶口内取粉则在视觉受限的情况下，完全依赖运动规划与接触感知。

• 滴管操作：挤压弹性滴管时的力反馈具有非线性特征，无法单靠视觉判定，系统必须在接触发生后根据即时力反馈动态调节输出。

• 玻璃棒引流：透明材质使得视觉感知难以精确定位，机器人一手将玻璃棒紧贴烧杯内壁，另一手动态调节倒液倾角，需双臂在实时接触约束下维持高精度力控平衡。

源头同构：消除数采与真机迁移鸿沟

长期以来，具身智能数据采集面临两难：真机遥操作数据质量高但成本昂贵、难以规模化；视频或轻量手套采集虽成本低，但存在运动学、接触力学、视觉与时序四个维度的鸿沟。

TwinDEX 采用了从执行目标反向推导采集端的设计思路：

1. 硬件层面同构：三指灵巧手采用九自由度（七个主动自由度）设计，数采外骨骼在自由度、关节轴、连杆比例以及接触材料几何特性上与机械手高度一致，并配置相应触觉传感，直接消除硬件迁移损耗。

2. 训练与执行解耦：针对无本体采集的环境干扰，模型重点学习双手之间的相对空间与姿态约束，摆脱对绝对坐标系的依赖，增强对不同场地的适应性。

3. 规模化可扩展：可穿戴外骨骼让数据采集彻底摆脱了机械臂本体与固定试验场地的限制，相关任务的数据采集效率达到真机遥操作的 5.3 倍。

具身数据金字塔重塑

传统具身智能依赖以真机数据为塔尖的“数据金字塔”，多数解决方案在数据产生后试图通过算法、仿真或大模型对齐来进行事后补偿。TwinDEX 则通过前置的软硬件同构设计，在全球范围内率先打破了数据质量、操作灵巧性与规模化生产之间的“不可能三角”。

此外，由于具身对应关系已在底层对齐，TwinDEX 实现了数据层与模型层的进一步解耦。该数据管线不仅支持自变量自研的 WALL-OSS 开源模型，也可直接适配 π0.5 等基础模型。模型架构升级时，已积累的高质量无本体数据资产依然有效，为具身智能建立可持续扩张的数据生产体系提供了可行的工程路径。