【导读】在世界机器人大会（WRC）前夕，章鱼动力正式推出下一代具身数据采集产品体系 OctoSense，直击当前具身智能领域“原始数据海量但可训练数据稀缺”的核心痛点。针对传统肌电模型“一模一人”的规模化瓶颈，章鱼动力凭借 SynEMG 肌电大模型在全球首次实现跨个体零样本泛化，真正将肌电技术推向“一模千人”的新阶段。围绕这一底层算法突破，OctoSense 以鱼眼头环、肌电手环和外骨骼同构数采手套为核心，构建了三大互补的数采方案，并依托 SYNData 数据工程能力，首次系统性地提出了“具身数据价值公式”。
8月15日 -- 换一个人，不给模型任何新数据，不做个体训练，肌电模型还能直接用吗？
章鱼动力全球首次实现肌电跨个体零样本泛化——正式发布 OctoSense 三大数采方案，把人的动作与发力转化为可用于机器人训练的数据
在世界机器人大会（WRC）前夕，章鱼动力给出了答案：SynEMG 肌电大模型全球首次面向具身数据采集实现肌电跨个体零样本泛化，真正让肌电从"一模一人"，走向"一模千人"。面对没有进入训练集的新个体，模型无需新增个体数据、无需增量训练，即可恢复手部姿态和发力状态。
围绕具身数据，章鱼动力正式推出 OctoSense 数采产品：以鱼眼头环、肌电手环和外骨骼同构数采手套为核心硬件，形成 OctoS-Ego、OctoS-EgoBio、OctoS-DexUMI 三大数采方案。三大方案均已完成产品化，可以实际体验。
鱼眼头环通过四颗鱼眼相机记录第一视角视觉，并由 AI Native 双目空间大模型恢复真实尺度与三维深度。
肌电手环采集前臂肌电信号，并由 SynEMG 肌电大模型恢复手部姿态与发力状态。
外骨骼同构数采手套直接采集人手驱动的操作数据，并近乎无损地对齐灵巧手真机。
在 SYNData 模型算法与数据工程能力支撑下，三大方案采集的视觉、肌电及其他传感器数据，经过物理信息恢复、多模态对齐与切片、质量清洗和语义信息生成，最终形成标准化、可追溯的数据集并交付下游使用。
真正稀缺的不只是原始数据，更是可训练数据
具身智能的数据采集规模正在快速增长，但总量增长并不等于模型能力同步增长。大量原始数据会因为多模态时间戳错位、三维尺度漂移、遮挡下的姿态与力信息缺失、标注不完整等问题，无法进入训练。
章鱼动力正式提出具身数据的价值公式：具身数据价值 = 物理完备度 × 场景多样度 × 采集规模 × 数据质量。
这四项不是相加，而是相乘。只要其中一项接近零，数据的整体价值就会被大幅削弱。因此，具身数据系统必须同时回答：如何构建数据采集路径，以及如何将原始数据处理为可训练的数据资产。
OctoSense：三种采集硬件，三大数采方案
OctoSense 是一套以真实人类操作为中心建立的数采产品体系。鱼眼头环、肌电手环和外骨骼同构数采手套三种硬件各自解决一类关键缺口，三种硬件通过不同组合，形成三大互补的数采方案：
三大方案并不是互相替代，而是在行为自然度、采集规模、物理模态完整度与真值精度之间提供不同组合；通过不同的组合实现具身数据价值公式的最大化。
01｜SYNEMG 肌电大模型：全球首次实现肌电跨个体零样本泛化
视觉难以获取遮挡下的手部姿态与真实发力
在真实操作中，手部经常被遮挡；即使动作可见，视觉也很难直接判断操作者是否发力以及发力大小。
肌电信号来自肌肉活动，并先于可见动作出现。它能够为模型补充两类视觉难以获取的信息：遮挡下的手部姿态和手部发力状态。
肌电手环：仅 80g、前臂16通道电极阵列，手部完全裸露、零负担
肌电规模化的真正难题，是"换一个人还能不能用"
不同人的肌肉结构、皮肤状态、发力习惯并不相同。传统肌电模型通常围绕固定用户和固定任务训练，这让肌电长期停留在"小规模实验状态"：如果每增加新个体，都要新增一轮个体数据、训练和校准，那么具身数据采集就很难进行规模化扩展。
SYNEMG 肌电大模型彻底改变了这一状态。
章鱼动力以大规模无标注多通道时序信号进行自监督预训练，让模型先学习跨个体、跨佩戴状态的通用肌电表征，再迁移到手势识别、连续手部运动恢复和发力状态估计等任务。从不同信号分布中学习可以迁移的共同结构，从而对个体差异、佩戴位置和长时间漂移保持鲁棒。
SYNEMG 全球首次面向具身数据采集实现肌电跨个体零样本泛化：
零数据泛化：新个体无需提供新增训练数据、无需微调标定，佩戴即用。
跨个体姿态恢复：同一模型可精准恢复不同个体的手部姿态和发力状态。
极致精度突破：SynEMG 在零样本跨人姿态重建上误差降低 50%，率先实现了毫米级的绝对定位精度。
端到端规模化：肌电突破不再只是"识别更准"，而是真正从"一模一人"走向"一模千人"，支撑具身数据的高效规模化采集。
当鱼眼头环第一视角视觉与肌电手环结合，OctoS-EgoBio方案能够在手部被遮挡时继续恢复手部状态，并获得毫米级关节点与 0.1 N 级主动发力，让一次操作不再只有"看见了什么"，还包含"手部如何运动"和"实际用了多大力"。同时因为手部保持自然裸露，具备超过传统真机采集方式 1000 倍效率的规模化潜力。
02｜外骨骼同构数采手套：让人手动作与发力，近乎无损直达灵巧手真机
OctoS-Ego 与 OctoS-EgoBio 适用于规模更大、场景更多样、行为自然度更高的采集需求，例如预训练数据采集；对于后训练等对物理真值要求更高的任务，外骨骼同构数采手套则进一步提升数据精度。
它能够同步记录全掌接触力分布和亚毫米级手部姿态。更关键的是，外骨骼同构数采手套与章鱼动力自研灵巧手采用相同的关节自由度和运动结构，采集端与灵巧手本体采用一体化同构设计。
仿生外骨骼数采手套：与自研灵巧手完全同构，人手数据近乎无损映射为灵巧手数据
为什么"同构"比单纯的"高精度"更重要
通常，除真机遥操采集外，无本体操作数据要被机器人使用，需要经过跨本体重定向（Retargeting）：将手部动作转换到关节数量、自由度、运动范围和结构都不尽相同的灵巧手上。这个过程会引入形变与误差，动作可以被"掰"过去，但原始接触关系、力分布和精细关节状态很难完全转换。
这就是 Retargeting Gap，它不是后处理多做几步就能彻底消除的问题，而是由采集端与执行端结构差异带来的先天损失。
外骨骼同构数采手套从源头消除这道鸿沟：人手作为动力驱动数采手套完成操作，当数采手套与灵巧手完全同构，那么采集得到的操作数据就能与灵巧手以近乎 1:1 的关系对齐。
鱼眼头环与外骨骼同构数采手套组合形成的 OctoS-DexUMI 方案，其价值不只是"采得更准"，更是让灵巧操作数据从采集之初就成为灵巧手能够直接使用的数据。
03｜鱼眼头环：四鱼眼显著降低手部出画，鱼眼双目大模型给出真实三维尺度
具身操作不仅需要动作与发力，还需要知道操作者看见了什么、目标在哪里，以及动作发生在怎样的空间关系中。
单颗普通广角相机的视野有限，双手在大幅移动时容易出画；同时，单目图像缺少尺度信息，难以恢复真实空间尺度与距离。
章鱼动力头环集成了四颗鱼眼相机：前方两颗、左右两侧各一颗，形成约 330°×150° 的大视场，覆盖双手、操作对象与周围环境。对于走动、转身、伸手取物等移动操作，环视视场能够显著降低手部离开画面的概率。
前视两颗鱼眼组成立体双目系统，基线为 60 mm。借助 AI Native 双目空间大模型，系统能够基于鱼眼图像恢复真实尺度与三维深度，并在保留大视场的同时实现毫米级深度估计精度，为手部、物体和环境之间建立真实三维尺度。四鱼眼解决"看不全"，前视双目解决"量不准"。
Ego 头环：环形布局集成四颗鱼眼相机，前视两颗兼作双目
04｜SYNData：模型算法与数据工程，让采集数据成为标准化数据集
硬件决定数据采不采得到，SYNData 决定采回来的数据最终能不能用。
SYNData 不只是一个数据处理平台，而是一套由模型算法和数据工程共同支撑的数据系统。它从图像、肌电和其他传感器信号中计算操作的物理状态与语义信息，并进一步完成多模态对齐、切片、清洗和组织，最终形成标准化、可追溯的数据集。
经过 SYNData 处理，OctoSense 三大方案采集的数据不再只是零散的视频和传感器信号，而是物理信息更加完整、多种模态相互对应、质量结果有据可查，并可供下游检索和复用的数据资产。
OctoSense 负责完整记录真实操作，SYNData 负责将多模态采集数据计算、组织为可用的数据集。
从"采集一次真实操作"，到"沉淀一段机器人经验"
回到最开始的乘式：具身数据价值 = 物理完备度 × 场景多样度 × 采集规模 × 数据质量。
SYNEMG 肌电大模型解决跨个体泛化，让肌电摆脱逐人训练和标定；外骨骼同构数采手套解决跨本体对齐，让无本体操作数据近乎无损直达灵巧手真机；四鱼眼头环以双目补全第一视角视觉和三维尺度；SYNData 则通过模型算法与数据工程，将多模态采集数据转化为标准化、可追溯的数据集。
OctoS-Ego、OctoS-EgoBio、OctoS-DexUMI 三大方案覆盖不同的采集需求，SYNData 为它们提供统一的数据计算、处理与交付能力。两者共同把一次真实操作，沉淀为机器人可以使用的数据。
让肌电跨越个体，让人类操作数据近乎无损地对齐真机，让每一次真实操作都成为机器人可以学习的经验。
结论
通过 SynEMG 打破个体差异、外骨骼手套消除跨本体对齐鸿沟、四鱼眼头环补全真实三维尺度，OctoSense 成功将人类自然操作转化为机器人可精准理解的高质量数据；而 SYNData 则作为“数据炼金炉”，彻底解决了多模态错位与物理信息缺失的顽疾。这一系列创新将原本零散的原始信号升华为标准化、可追溯的数据资产，真正践行了“具身数据价值乘式公式”。从“采集一次真实操作”到“沉淀一段机器人经验”，章鱼动力正以全链路的技术实力，为具身智能的高效规模化训练提供不可或缺的基础设施。
