2026年11月7日，简智机器人宣布，DAS 2.0系列将于 11 月9 日在美国奥斯汀举行的CoRL会议现场正式亮相。该系列包括新一代灵巧手数据采集手套DAS Dex 2.0与新一代第一视角头戴式多模态数据采集设备DAS Ego 2.0，通过头手协同，同步记录视觉、手部运动与触觉信息，面向真实场景中的规模化人类操作数据采集，为机器人学习人类技能提供多模态 Human Data 支持。
具身智能正在积累更多人类操作视频，但采集规模与训练价值之间，仍有几处关键断点：画面记录了操作，遮挡却可能让动作标签失真；手沿着相似轨迹运动，接触结果却截然不同；接触即使被测量，佩戴干扰、信号干扰与长期漂移也可能改变标签的含义；数据保留了抓取片段，却可能遗漏走近目标、选择站位和搬运转移的完整过程；人类完成了任务，机器人也未必能沿用同一套动作。
其中，局部操作与完整任务之间的断裂，在机器人走出固定工位时尤其突出。抓取之前，身体位置决定目标能否看见、手臂能否够到；抓取之后，起身、转向和移动又会改变身体与物体的关系。如果数据只保留手在目标附近的动作，模型就难以学到这次操作为何能完成，以及如何把它与前后步骤衔接起来。
这些问题最终汇合到训练端：模型究竟能从一段数据中学到多少可靠的动作约束？接触与调整信息缺失，就难以解释同样的手部动作为何产生不同结果；测量随设备状态改变，不同批次的数据就难以保持可比；身体与阶段衔接缺失，就难以解释局部技能怎样组成连续任务。数据建设需要同时扩大场景覆盖、提高交互监督的密度与可靠性，并保留任务所依赖的身体状态与动作连续性。
简智机器人DAS 2.0围绕这些断点组织数据能力：
Ego设备扩大自然环境与任务覆盖；
Ego设备+腕部相机细化运动和手部动作；
Ego设备+Dex手套提供原生关节、动作与真实触觉监督；
Whole-body数据进一步连接身体位置、躯干姿态与手部操作。
DAS 2.0系列覆盖规模、动作粒度、原生测量与任务完整性，共同构成一套可扩展的数据体系。
1、三种数据配置，首次覆盖规模、动作细节与原生监督
不同任务需要不同深度的数据。DAS 2.0可提供Ego、Ego＋Wrist Camera与Ego＋Dex三种配置，从场景覆盖、动作细节到关节与触觉测量逐层补充。
Ego 2.0主打轻量化规模化采集，实现更多操作任务与环境、以及全身覆盖。
Ego 2.0配置较轻，便于进入更多自然场景，保留不同的操作者、作业对象、空间布局与操作习惯。其核心价值在于丰富数据分布，覆盖多元环境、异常工况、失败操作及修复过程，依托第一视角影像与头手轨迹构建完整任务背景，帮助模型习得跨场景通用规律，摆脱对固定操作台、标准化流程的依赖。
Ego+Wrist Camera 提升手部接触与动作记录精度。
全局记录给出任务过程，腕部连续画面补充接近方向、手指调整、手—物相对运动与局部形变。结合标定与轨迹重建，这类数据能更细致地组织动作片段、对齐不同视角，并描述从接近、调整到拿起的变化。它增加了局部动作的记录深度，同时保留以视觉为主的采集方式，为扩大精细动作数据的覆盖提供空间。
该模式保留视觉采集轻量化优势，助力大批量精细动作数据生产，但这一增量依赖工作距离、运动模糊、遮挡以及时空对齐，部分关节状态与接触信息仍存在不确定性。
Ego+Dex 输出更完整的原生、全模态的手部监督。
关节传感直接记录手部构型与动作变化，触觉记录真实接触，再与第一视角、头手轨迹共同对齐。这组数据可以为视觉推断提供独立测量依据，也能区分外观相近、物理结果不同的示范。它在数据体系中承担高质量监督标尺的作用，覆盖动作精度、手部构型与接触结果，而不只增加一种传感模态。
开展混合训练时，广覆盖数据扩展任务分布，动作细节数据提升过程分辨率，原生测量数据约束关键状态与动作标签。配置的选择由任务所需的信息决定；更完整的模态适合承担精细监督，更轻的配置适合扩大真实场景覆盖。不同配置可以共享可对齐的任务、轨迹和交互表征，并使用各自实际具备的监督。面向双视角触觉预测，则需进一步采集Ego第一视角+Wrist腕部相机+Dex手套的同步配对数据。
Whole-body数据为这套数据体系补齐身体与任务过程之间的联系。将环境观察、手部交互与身体运动放在同一时间轴和空间参考下，才能进一步学习：同一个末端目标，何时需要靠近目标，何时需要侧身或下蹲，以及完成操作后如何进入下一阶段。
2、DAS Ego 2.0：5MP 像素升级，怎样真正帮助模型训练？
DAS Ego 2.0 搭载 2 颗 500 万像素主相机与 4 颗 200 万像素辅相机，核心相机模组由单颗 200 万像素升级至 500 万像素；整机水平视野从 270° 扩展至 340°。前者提高局部采样密度，为辨认手指、物体边缘等局部细节提供更丰富的图像信息；后者扩大周身环境环境覆盖，两者分别作用于细节辨认和动作连续记录。
在相同宽高比、单相机视场和距离下，2MP到5MP对应宽、高方向的线性采样各增加约58%，单像素在物体表面对应的投影边长约减少36.8%。这描述的是成像采样变化，实际重建精度还取决于镜头、曝光、标定、遮挡与算法。基于以上因素，DAS Ego 2.0指尖追踪标称精度可达4 mm。完整任务中的动作质量，还取决于局部手部精度、头部定位与跨相机标定能否共同保持稳定。
硬件像素升级对模型训练的增益主要体现在两个方向。
一方面，改善监督标签质量。高分辨率图像用于离线关键点定位、多视角匹配与轨迹重建，减少细小结构混淆带来的标签偏差。即使训练模型最终使用较小画面，更可靠的动作标签仍可能保留下来。对于后训练，这意味着同一个视觉状态对应的目标动作更明确，模型更少被错误轨迹牵引。
另一方面，改善模型实际的输入信息。如果所有画面最终都缩成相同尺寸，新增细节可能在预处理中被损耗；通过局部裁剪、多尺度输入等预处理手段，保留接触区域关键特征，才能把硬件采集优势传递给模型端。前者决定模型 “学什么”，后者决定模型 “依据什么做出判断”，二者共同定义硬件升级实际能转化出多少训练价值。
3、DAS Dex 2.0：依托材料与结构创新，建立可靠的原生监督
触觉数据的核心价值首先建立在可靠性之上。Dex 2.0 基于自研半柔性压阻式电子皮肤与侧置仿生外骨骼，从操作无干扰、信号抗干扰、持续采集质量三个维度保障数据质量。
可靠性首先在于接触本身尽量不受采集设备干扰。传感材料的贴合、顺应性和接触表面特性，会影响摩擦、受力分布及抓握方式。材料与结构设计需要共同保留自然操作的接触条件。Dex 2.0将主要外骨骼移至手指侧面，使机械关节贴近人手运动轴，并为指背、指腹与掌面留出空间，减少贴面拾取、掌内调整及狭窄空间操作中的结构干扰。
其次，检测信号能够区分真实接触与非目标干扰。手指屈伸、材料弯折与拉伸、佩戴预紧以及通道串扰，都可能让读数偏离需要测量的接触。触觉材料与传感结构的创新，需要处理这些因素与目标接触的区分，使相同接触在不同动作阶段仍有可比较的表达。对模型而言，这决定了它学到的是物体与手的相互作用，还是设备自身的变化。
第三，是长期采集中的测量一致性。在已完成的一个月采集测试中，同等条件下重复相同动作，触觉测量响应保持一致。这为不同时段的数据提供了持续比较的基础，有助于减少设备状态变化引入的批次差异。当采集从单次演示扩展到持续生产，长期稳定性直接关系到数据能否进入同一套监督体系。
在这一可靠性框架下，Dex 2.0结合微型磁编码器与运动学标定，形成21 DoF手部运动表示；单手16块触觉传感器、980个感知单元，以0.1 N最小检测力记录接触。原生关节测量在视觉遮挡时补充手部构型，触觉则将接触位置、强弱变化与释放时序和动作对齐。测量的细致程度与长期一致性共同决定了这些数据对动作学习、状态估计和失败恢复的价值。
4、用真实触觉，训练更可扩展的双视角方案
Dex 的长期价值，可以延伸至无需佩戴同一套手套的采集与部署场景。同步记录的 Ego+wrist+Dex 数据，能够为视觉触觉学习提供配对训练数据：画面作为输入，关节与触觉测量提供物理监督。经过配对训练，后续 Ego+wrist 方案有望通过视觉估计是否发生接触、接触区域及强弱变化趋势，并给出相应的置信度。
通过配对监督与知识蒸馏，这条路线有望将精细采集中学到的物理信息，应用于更广泛的 Ego+wrist 数据。原生触觉的三层可靠性是这一过程的基础：设备改变接触条件，会影响示范的自然性；信号混入非目标干扰，会影响标签对真实接触的表达；测量响应随时间漂移，则可能让相似画面对应不一致的标签。可靠的材料与测量体系，为视觉模型学习稳定的画面与接触对应关系提供依据。
Dex 配对采集可聚焦新材料、困难样本与失败后的调整过程，为视觉难以判断的情形补充实测依据。视觉模型输出的状态估计，则可作为后训练的辅助目标，或为动作选择提供条件信息。实测标签与模型预测应明确区分，并保留相应的置信度信息，避免预测误差在后续训练中被不断强化。
腕部视角的作用，是让更多接触线索进入可见范围。局部形变、物体边缘的相对位移，以及物体是否随手运动，都可以结合 Ego 记录的任务背景进行理解；真实触觉则帮助模型学习，这些视觉线索在不同对象上何时能够可靠地反映接触。双视角补充观察信息，同步配对的测量为这些可见变化提供物理依据。
当前接触估计与未来接触预测，需要不同的训练目标。前者依据当前及历史观察，判断正在发生的接触；后者则需要结合拟执行动作与相关状态，预测接下来可能发生的变化。继续夹紧、抬升或松手，可能带来不同结果。将动作纳入预测，才有机会比较不同候选动作的影响，为机器人提前调整提供参考。
视觉仍会面临无法仅凭画面确定接触状态的情形：外观相同的物体可能具有不同重量，隐藏的接触也未必留下可见线索。因此，模型需要表达判断的不确定性；绝对力值的估计需要校准，关键控制仍需结合机器人自身反馈。对于新场景中模型难以确定的样本，可以进一步开展实测采集，逐步扩大模型能够可靠判断的范围。
5、Whole-body：打通策略、全身协调与执行
真实任务中的操作，发生在身体与环境不断变化的关系中。手部轨迹记录局部技能，Wholebody则保留这些技能成立的身体条件与前后衔接，使模型能够学习更完整的任务过程。
策略层补足操作前后的决策。站在哪里、何时移动、何时调整观察位置，直接影响可见性、可达性与下一步操作空间。连续示范提供这些选择与任务结果的对应，有助于研究更少无效停位和反复调整的任务策略。
协调层补足同一目标的多种身体解法。面对不同高度、距离和障碍，根部移动、躯干调整与手臂伸展可以分担同一段末端位移。将这些关系记录下来，能够为运动生成提供更丰富的动作参考，帮助模型研究怎样在身体限制下完成到达与操作。
执行层连接连续运动与真实机器人约束。拿起物体后的起身、转向和搬运，需要同时保持身体稳定与末端目标。全身轨迹和动作分布可以提供运动参考，稳定跟踪、抗扰与负载适应则需要机器人自身状态、接触反馈和控制系统共同完成。
6、硬件协同、持续采集，让多模态数据形成合力
多路传感器只有对应到同一次交互，才能共同形成监督。DAS Ego 2.0与Dex 2.0通过统一时钟、硬件触发及曝光控制，实现1 ms级头手时间对齐。以手速0.5 m/s估算，1 ms错位对应约0.5 mm的运动距离，10 ms则对应约5 mm。这仅是时间错位带来的几何贡献，却说明同步为何直接影响动作与接触标签的对应质量。
持续采集同样依赖工程机制。Ego 2.0支持不关机更换磁吸电池包，单包续航约2.5至3小时；采集状态检查与批量后处理，则帮助减少记录中断和无效数据。这些机制将细节采样、接触测量与连续采集连接起来，让高质量记录更容易持续产生。
DAS 2.0把产品升级落在这条完整链路上：Ego扩展数据分布，Ego+wrist丰富动作细节，Ego+Dex提供原生监督，Wholebody连接移动、身体协调与操作衔接，机器人数据完成执行适配。它们共同推进的，是让数据规模、监督质量与任务完整性协同增长，让模型既能学习一次交互，也能学习如何将交互组织成连续任务。
面向具身智能产业化发展，高质量人类示范数据底座是机器人自主学习、适配复杂场景的重要支撑。此次DAS 2.0发布，打通了自然示范、动作记录到高精度感知的全链路，持续降低高质量交互数据的获取门槛。未来，简智机器人将持续深耕具身智能数据基础设施，迭代数据产品与配套工具链，携手科研与产业伙伴，共同推动数据规模化与模型创新。
