随着苹果全新设备Vision Pro的发布，我们正在进入空间计算的新时代，强大的扩展现实（XR）工具和灵活的工作流程使开发人员能够在编辑器中添加交互、缩放图形、原型和测试等全新视角。2024年Unity游戏报告预测到，未来XR游戏的需求会更大，许多游戏工作室对于该预测表示认同。Unity的高级开发者安东尼娅·福斯特和Owlchemy实验室的CEOwl安德鲁·艾希在本文中讨论了对于空间计算未来的看法

只要机器人本体具备对应运算与传感硬件基础，无论是足式、轮式机器人，还是不同尺寸的机型，仅需导入从CAD软件直接导出的URDF本体物理参数，即可直接部署AOS，无需额外数据微调或再训练，其兼容逻辑与iOS适配苹果全系列设备、Windows适配不同配置的通用计算设备一致。本次同步发布的AOS AI增强人形机器人操作系统，核心目标是构建“感知—决策—控制”的完整闭环，让机器人实现自主理解任务、自主规划路

只要机器人本体具备对应运算与传感硬件基础，无论是足式、轮式机器人，还是不同尺寸的机型，仅需导入从CAD软件直接导出的URDF本体物理参数，即可直接部署AOS，无需额外数据微调或再训练，其兼容逻辑与iOS适配苹果全系列设备、Windows适配不同配置的通用计算设备一致。本次同步发布的AOS AI增强人形机器人操作系统，核心目标是构建“感知—决策—控制”的完整闭环，让机器人实现自主理解任务、自主规划路

MANUS 的 Isaac Teleop 插件通过 MANUS SDK 获取手与手指的骨骼姿态数据，并将数据注入 Isaac Teleop 的标准手部追踪层。由于插件接入这一通用层，任何面向手部追踪输入开发的重定向器，无需额外适配即可读取 MANUS 手套的数据。开启触觉反馈录制得到的遥操作样本，会包含更多人为的抓取微调动作，接触状态切换的时序也更加合理。把这类数据送入 Isaac Lab 的演示

通过使用Xsens捕捉的精准动作捕捉数据，波士顿动力团队在模拟中扩展学习，在该步骤中有超过4000个数字Atlas机器人在六小时内并行训练。波士顿动力AI实验室，展示了类人机器人Atlas如何学习新的动作，如何在模拟中放大这些动作，然后将这些技能带入真实的机器人应用中。人形机器人训练流程可简单表示为：捕捉人类动作，并将其重新分配给机器人，在模拟环境中大规模训练，部署到硬件上，然后进行迭代。团队还为

本届赛事首次增设专项灵巧手竞赛，共 8 个比赛项目，平均每个项目有 51 支队伍报名，各项目决赛参赛队伍数量为 717 支。开瓶项目需要双手协同配合。AgiBot 旗下灵巧手子公司 AGILINK，携 OmniHand 灵巧手闯入全部 8 项灵巧手赛事决赛，融合自主控制与遥操作两种技术方案，共斩获 7 金 4 银 3 铜。在灵巧手赛事中，依托 MANUS MetaGloves 数据手套进行实时遥操

本届赛事首次增设专项灵巧手竞赛，共 8 个比赛项目，平均每个项目有 51 支队伍报名，各项目决赛参赛队伍数量为 717 支。开瓶项目需要双手协同配合。AgiBot 旗下灵巧手子公司 AGILINK，携 OmniHand 灵巧手闯入全部 8 项灵巧手赛事决赛，融合自主控制与遥操作两种技术方案，共斩获 7 金 4 银 3 铜。在灵巧手赛事中，依托 MANUS MetaGloves 数据手套进行实时遥操

赛场之上，参赛机器人从容应对多元实操工况，从毫米级精度的精细线缆插拔，到复杂包装的快速拆包作业，再到高力度要求的敲击钉钉固定，最后完成双手协同开盖的高难度动作，整套流程行云流水，零失误完成全部挑战，其软硬协同的硬核实力在全球观众面前得到了充分验证。MANUS数据手套凭借亚毫米级的动作捕捉精度与低延迟的遥操作传输能力，为参赛团队提供了稳定可靠的人类动作演示数据支撑，帮助机器人快速复现人类手部的精细操

赛场之上，参赛机器人从容应对多元实操工况，从毫米级精度的精细线缆插拔，到复杂包装的快速拆包作业，再到高力度要求的敲击钉钉固定，最后完成双手协同开盖的高难度动作，整套流程行云流水，零失误完成全部挑战，其软硬协同的硬核实力在全球观众面前得到了充分验证。MANUS数据手套凭借亚毫米级的动作捕捉精度与低延迟的遥操作传输能力，为参赛团队提供了稳定可靠的人类动作演示数据支撑，帮助机器人快速复现人类手部的精细操

通过捕捉详细的手指关节和手部运动，MANUS手套补充了全身运动捕捉，提供了代表一个人如何与环境互动所需的灵活性数据。在这个过程中，MANUS手套将确保操作员的手部动作包含在演示中。这使得机器人团队在测试人形机器人的远程操作、任务学习和未来制造应用时，能够获得更完整的人类运动数据输入。全身动作捕捉系统捕捉到了操作者的身体体运动，而MANUS手套负责捕捉到演示中涉及的手和手指的运动。对于Beko Eu