Axonnic用64通道EMG采集机器人灵巧操作训练数据
文 / Mr.Xu 社区投稿
发布时间:
摘要:Axonnic发布一款64通道表面肌电前臂套筒,在双手裸露状态下解码20个手指关节角并估计指尖力。训练时以EMG与手部追踪同步生成标签,推理阶段仅依赖EMG;其称一次训练后第4天、无需重标定的215秒记录取得6.9°汇总角度误差。该方案可为灵巧机器人提供视频之外的肌肉激活与施力标签,但目前仅有创始人自报的有限评测,力值误差、时延、功耗、跨用户泛化及模型结构均未披露,有线PCB量产硬件仍在开发。
核心事实
Axonnic 发布并公开展示了一套前臂表面肌电采集系统:套筒以64通道表面肌电传感器覆盖前臂肌肉,在手指保持裸露的情况下解码20个手指关节角,并估计指尖接触力。其目标不是用EMG取代所有视觉系统,而是为机器人示教数据增加视频通常难以直接提供的肌肉激活、用力意图和施力信息。
公开描述的训练流程是:EMG与手部追踪同步,以手部追踪生成关节角标签;模型完成训练后,推理阶段只使用EMG。指尖力分支则通过手指按压力传感器进行校准。Axonnic还展示过由前臂EMG控制Proception机械手的演示,并在缝纫及电工、水管工等任务中开展试点采集;一家欧洲制造商签署了支持机器人实施的意向书,但这些项目仍属于试点或数据收集阶段。
工厂采集曾受到无线干扰和现成硬件计时不一致影响,导致部分数据需要重录。团队因此正在开发有线PCB,以改善电磁隔离和信号同步。
技术机制:从肌肉活动到关节角与指尖力
1. 表面EMG提供的是意图与用力线索
表面EMG记录的是多个运动单位动作电位在皮肤表面的叠加信号,并不直接等同于某块肌肉的几何收缩量。关节角与指尖力因此通常需要通过监督学习建立映射。
Axonnic将传感器分散布置在前臂,而不是集中监测单一肌群,目的在于减少解码器对少数显眼肌群的过拟合。这样的设计仍不能消除表面EMG固有的串扰、电极与皮肤阻抗变化、出汗、肢体移动伪迹以及个体解剖差异。
2. 训练与部署采用不同输入
该系统把标签生成与实际推理分开:训练阶段同时采集EMG和手部追踪,用后者提供关节角监督;部署阶段移除手部追踪依赖,只让EMG驱动解码器。这一结构可以降低机器人数据采集时的视觉遮挡问题,也能把肌肉活动作为额外的动作条件。
从接口角度可将输出抽象为关节角向量 θ̂∈R²⁰ 和指尖力估计 F̂。理想的训练目标可写为角度误差、力值误差与正则项的加权和,但公开材料没有披露模型是否采用联合损失、共享骨干网络或分阶段训练。因此,6.9°角度误差不能直接推断指尖力分支也达到同等精度。
3. 指尖力仍依赖个体校准
EMG与肌肉激活、协同收缩、腕部姿态及动作策略都可能相关,同一组肌肉活动并不对应唯一的接触力。Axonnic采用力传感器上的按压动作校准指尖力,这是合理的工程起点,但部署时仍需检查不同抓握方式、工具、速度和材料是否会改变信号到力的映射。
训练标签本身也不是绝对真值。若关节角标签来自手部追踪,其定位误差、遮挡和追踪抖动会被传入EMG解码器;力传感器则存在量程、漂移和采样延迟限制。真正决定机器人数据质量的是原始EMG、标签、时间戳和校准元数据能否被完整保存。
工程权衡与实测表现
- EMG与视觉并非简单替代关系。 视频能直接观察手部几何,EMG则能捕捉视频中几乎不可见的静态握持和细微用力。两者结合更有利于训练,但推理时只保留EMG,会把精度压力全部转移到信号质量和个体校准上。
- 64通道提高了肌肉覆盖度,也扩大了硬件复杂度。 更多通道通常意味着更多模拟前端、采样通道、线束和数据带宽,同时增加装配、清洁与电极定位成本。Axonnic转向有线PCB可换取更稳定的供电和计时,但活动自由度、穿戴时间与线缆拖累仍需实测。
- 跨次佩戴是最关键的泛化变量。 摘下再戴上套筒后,电极位置和皮肤接触状态都会变化。团队按不同穿戴批次进行测试,并报告了一次训练后第4天、无需重校准的215秒记录,得到20个关节角6.9°的汇总误差。这是值得继续验证的信号,但单次记录无法覆盖电极偏移、疲劳、出汗和动作分布变化。
- 与Apple Vision Pro的比较不能直接解释为全面胜出。 两类系统依赖的测量机制不同,误差定义、追踪真值、关节数量、动作类型和标定流程也会影响结果。现有材料没有给出参与者数量、误差分布、置信区间、力值误差、推理时延、功耗或下游机器人任务成功率。
- 机器人价值尚未完成端到端验证。 公开材料证明了EMG控制机械手和采集多种工人任务数据,但没有报告加入肌肉激活与力标签后,机器人策略成功率、样本效率或装配质量提升了多少。现阶段更准确的定位是“面向机器人数据采集的EMG示教接口原型”,而不是已经验证的通用机器人控制器。
开发者落地与部署建议
- 先建设可复现的有线采集硬件。 定制PCB应围绕低噪声模拟前端、抗混叠滤波、屏蔽与接地、统一时钟采样设计;工频干扰应依据现场频段处理,同时单独记录运动伪迹和接触阻抗质量指标。
- 把重新佩戴作为正式评测条件。 每次采集应保存电极位置、皮肤准备状态、动作顺序和校准版本,并分别报告同次佩戴、跨次佩戴、跨天及跨用户误差,而不是只给单条演示结果。
- 严格同步EMG、手部追踪和力传感器。 统一触发或硬件时钟可以避免将传感器延迟误判为模型误差。数据管线还应保留原始信号,而不能只保存解码后的关节角。
- 同时评测角度、力值与延迟。 除平均角度误差外,应报告逐关节误差、握力范围误差、端到端延迟、丢包或坏帧率及连续运行稳定性,并设置无重标定与允许轻量重标定两套协议。
- 验证下游机器人收益。 应以视频或传统动作捕捉示教为基线,对比加入EMG与力标签后的策略成功率、样本量需求、跨任务迁移能力及数据采集成本。只有下游指标改善,才能证明肌肉信号不是昂贵而冗余的附加模态。
- 工厂试点应保留人工复核。 缝纫等任务中的异常用力、工具接触和材料变化难以仅靠单一EMG模型判断,生产流程需要质量门禁、异常回退机制及操作员确认。
—— 完 ——消息来源:Hacker News AI Feed (2026-11-16)
主题标签: #Axonnic #表面肌电EMG #机器人学习 #人机接口 #灵巧操作
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区