UMI-机器人采集数据的通用框架
UMI-机器人采集数据的通用框架
引言
在机器人学习领域，如何高效采集高质量的训练数据一直是研究的核心挑战。传统方式主要包括 遥操作（teleoperation）、基于视频的学习（video learning） 与 手持夹持器（hand-held gripper）。其中，遥操作虽然能够直接获得可用于模仿学习的数据，但硬件部署复杂、成本高昂且依赖专家操作；基于人类视频的学习方法具有良好的环境多样性，但由于 人与机器人之间存在显著的形态差异（embodiment gap），动作迁移效果有限；而手持夹持器作为一种折中方案，虽然提升了数据采集的直观性与便携性，但以往研究多局限于简单的抓取或静态操作，难以覆盖动态与复杂任务。
针对这些问题，斯坦福大学提出了 Universal Manipulation Interface (UMI)。其核心创新在于：
1.手持夹持器设计 —— 将传感器和摄像头直接安装在夹持器上，使人类示范与机器人执行的视觉输入对齐，从而大幅减少观测空间的差异；
2.改造后的 SLAM 系统 —— 结合视觉与动作信息，解决了传统基于单目相机的动作恢复精度不足的问题；
3。IMU 融合 —— 借助 GoPro 内置的惯性测量单元（IMU），在高速或动态操作中依然能够保持稳定、精确的 6DoF 姿态跟踪。
这种设计不仅提高了数据采集的 可移植性与低成本优势，还使机器人能够学习 动态、双臂以及长时序 等复杂操作任务，从而为大规模的“in-the-wild”机器人数据采集与策略学习提供了全新途径。
1.什么是 UMI
UMI（Universal Manipulation Interface）本质上是一个 用于数据收集和策略学习的框架。它通过 手持夹持器（hand-held gripper） 的设计，使人类能够以一种 简单、快速且低成本 的方式收集训练机器人所需的数据。与传统遥操作或视频学习方法相比，UMI 更强调实际可用性与高效性，能够覆盖更复杂的动态和长时序操作任务。
UMI 的一大亮点是对 延迟问题 的全面考虑。在真实机器人系统中，延迟主要来自三个环节：
- 环境观测延迟 —— 传感器采集环境信息时不可避免的延迟；
- 推理延迟 —— 系统对感知数据进行处理和决策的延迟；
- 执行延迟 —— 推理完成后，指令传输并驱动机器人执行动作的延迟。
为了保证策略在真实环境中仍具备良好的对齐性与可迁移性，UMI 在框架中引入了 延迟匹配机制，使策略在推理和执行阶段能够与训练时的数据保持一致。
在感知设计上，UMI 采用了一系列巧妙的硬件改进：
- 鱼眼镜头（②）：提供超广角视野，增强对场景的整体感知；
- 改造后的 SLAM 与 GoPro 内置 IMU（① & ④）：结合视觉与惯性传感器，实现高速和动态场景下稳定、精确的姿态跟踪；
- 侧面镜（③）：在夹持器两侧加入物理镜面，形成隐式的立体观察，弥补单目视觉在深度感知上的不足；
- 夹持器跟踪（⑤）：实现对夹持器运动过程的连续追踪；
- 基于运动学的数据过滤（⑥）：保证所采集的数据在不同机器人结构下的可行性。
通过这一系列设计，UMI 在硬件简洁性与数据表达丰富性之间取得了平衡，为机器人策略学习提供了一个通用、可扩展的解决方案。
2. UMI的硬件结构设计
UMI 的数据采集设计核心在于 相机与传感器的组合使用。其中，GoPro 相机作为主要的视觉输入设备，能够在低成本条件下提供高分辨率和高帧率的视频流，是整个系统的数据入口。为了提升场景感知能力，相机搭配了 鱼眼镜头，其超广角（约 155°）能够在单帧图像中覆盖更多环境信息，减少因相机视野狭窄导致的目标丢失问题。
为了进一步获取 深度信息，UMI 在夹持器两侧安装了 物理侧面镜。这些镜子相当于提供了额外的虚拟摄像头视角，通过镜像反射形成隐式的双目视觉，从而弥补单目相机在深度估计上的不足。
除了视觉感知，UMI 还充分利用 GoPro 内置的 IMU（惯性测量单元）。IMU 由加速度计和陀螺仪组成，可以实时捕捉相机的运动加速度和角速度。当视觉因高速运动或遮挡而失效时，IMU 依然能够提供稳定的位姿信息。通过 视觉与惯性融合（视觉-惯性 SLAM），UMI 可以在动态操作场景下保持对末端执行器的精确动作跟踪。
简而言之：
GoPro 相机 → 提供主要视觉输入
鱼眼镜头 → 扩大视野，提升场景覆盖
侧面镜 → 增强深度信息，模拟立体视觉
IMU → 捕捉快速和精确的动作轨迹
这些设计结合在一起，使得 UMI 能够以低成本实现高质量、多维度的数据采集，为机器人学习提供可靠支撑。
3. 延迟测量与估计
在机器人系统中，延迟是影响策略能否稳定迁移的重要因素。UMI 将延迟分为四类：相机延迟、本体感觉延迟、夹持器执行延迟、机器人执行延迟。以下分别给出估计方法和公式。
1) 相机延迟（Camera Latency, τ_cam）
相机从真实场景到可用帧的路径包含曝光、ISP/编码、传输与解码：
τ cam = τ exp + τ pipe + τ tx \tau_{\text{cam}} = \tau_{\text{exp}} + \tau_{\text{pipe}} + \tau_{\text{tx}} τcam=τexp+τpipe+τtx
估计方法：
- 将相机估计的末端位姿轨迹 (p_{\text{cam}}(t)) 与关节正解位姿 (p_{\text{enc}}(t)) 对齐；
- 使用互相关或最小化均方误差估计 (\tau_{\text{cam}})。
τ ^ cam = arg max τ C ( p ˙ cam , p ˙ enc ) ( τ ) \hat{\tau}_{\text{cam}} =\arg\max_{\tau}\; \mathcal{C}(\dot{\mathbf{p}}_{\text{cam}},\dot{\mathbf{p}}_{\text{enc}})(\tau) τ^cam=argτmaxC(p˙cam,p˙enc)(τ)
τ ^ cam = arg min τ ∑ k ∥ p cam ( t k ) − p enc ( t k − τ ) ∥ 2 \hat{\tau}_{\text{cam}} =\arg\min_{\tau}\; \sum_k \left\|\mathbf{p}_{\text{cam}}(t_k) - \mathbf{p}_{\text{enc}}(t_k-\tau)\right\|^2 τ^cam=argτmink