IROS 2026 观察：当机器人还在学干活，工具链生意已经分化了|iros|人工智能模型|动作|工具链|机器人

机器人能不能成为稳定的劳动力，还需要在具体场景里验证。但围绕机器人的研发，一批公司已经推出了用于操作、数据采集和部署的硬件与软件。

9 月 27 日至 10 月 1 日，IROS 2026 在匹兹堡举行。展出的产品里，灵巧手配上了采集设备，夹爪装上了触觉指尖，硬件厂商也带来了自己的操作模型。Chestnut 把灵巧手与采集外骨骼共同设计，Sharpa 同时推出机器人、灵巧手和数据手套，MANUS 让不同用途的手套共用模块的 Nexus 系统。

“数据”“触觉”“全栈”，是这届展商频繁提到的关键词。它们对应着采集设备、接触感知，以及从硬件延伸到数据和模型的产品布局。本文盘点了 11 家公司在 IROS 2026 期间的产品与研究动态，梳理整机之外的机器人研发工具。

机器人承担工作所创造的价值，和帮助别人研发机器人所创造的价值，可以在不同时间兑现。本届展商的选择，让整机之外的生意变得更具体，也让一个问题浮出来：工具越来越齐全之后，客户究竟会长期依赖谁？

手指数量之外

灵巧手并没有在这届大会上收敛为一种形态。夹爪、三指手和五指手仍在同时发展，围绕这些硬件，厂商还在补充触觉、软件接口和可更换模块。

Robotiq 展出了 TSF-85 触觉指尖，为已有夹爪增加接触感知，同时提供夹爪控制、力矩与触觉信号的 ROS 接口，以及 Isaac Sim 仿真模型。公司称，已有超过 23,000 只夹爪部署于全球。

增加触觉后，夹爪在抓住物体的同时，也能记录接触过程。原有执行器因此可以继续用于学习实验，研发者不必为了获取接触信号重新设计一只手。

大寰机器人则同时保留两指、三指和五指产品。9 月 30 日首次公开的五指 ADH-5-13 具有 13 个主动自由度，重量为 735 g；三指 UDH-3-7 则把力量、操作空间与结构复杂度放在另一组取舍里。新五指手的传感器和独立模块可更换，无需拆解整只手或整根手指。

五指扩大动作空间，三指控制系统复杂度，既有夹爪补充触觉。把它们放在一起看，“更像人手”只是产品选择之一，能以多低的集成和维护负担满足任务，才决定客户为何采购。可维修结构、软件接口和仿真模型看起来不如自由度醒目，却直接影响工程师从收到设备到开始实验要走多远。

面向研究的机械臂也在成为独立产品。PAL Robotics 带到 IROS 的 TIAGo Pro Arm 具有七个自由度，基于 ROS 2，可增加传感器，采用不同安装方式，也可搭配移动底盘。公司明确将研究团队和开发者列为使用者。

这里有一项容易被“产业落地”叙事掩盖的区别：研发团队需要一套可以继续开发的平台。它能支持多少实验、接入哪些设备，是购买时就能判断的用途；进入生产线之后，验收才转向能否持续完成工序。科研设备的需求与生产部署之间，还隔着这一步。

同一只手出现在实验室和生产线上，背后可能是两种预算、两种验收标准，也可能是两种复购逻辑。

谁来定义数据入口

设备接入实验之后，接下来是教它动作。灵巧手拥有更多关节，人手示范却不能直接变成机器人的关节指令。手指长度、活动范围和接触位置的差异，都要在采集和映射中处理。相机配置、标定、数据处理和部署设置，也需要逐项完成。

Chestnut 在 IROS 推出 Aero Hand 与 Aero UMI。前者是采用混合驱动结构的 18 自由度灵巧手，后者是用于采集和遥操作的外骨骼装置。公司强调，两者共同设计，采集装置的机器人描述模型与执行手匹配。

这是一种从源头减少示范与执行差异的做法。人手记录下来的动作，最终要变成机器人关节能完成的动作；形态与运动约束越不同，中间的映射越复杂。Chestnut 将“零具身差距”作为产品主张，但共同设计本身，还不能证明跨物体、跨任务的迁移误差已经归零

MANUS 展示了另一种组织方式。其 Nexus 展示同一顶部模块可以在不同传感手套间复用，覆盖动作捕捉、触觉反馈遥操作和数据采集，并共享追踪技术及手部模型。现有 Core 3.2 的升级则包括 ARM64 Linux、ROS 2 和 Python 的接入支持。另外 Nexus 尚未正式发布，Core 3.2 则已推出。

两家公司分别把复用安排在不同地方：Chestnut 让采集端紧贴执行端，MANUS 让模块在不同采集用途之间延续。从这些设计可以推导出两种取舍。前者有机会减少一套系统内部的映射工作，却还要回答更换执行手之后怎样迁移；后者降低重复采购和接入负担的目标更清楚，但面向具体机器人的动作适配依然需要解决。来源

Sharpa 9 月 28 日发布 D01 操作机器人、W02 灵巧手和 AE01 数据手套，也把采集与执行放进同一条产品线。公司称，W02 保留 21 个主动自由度，体积较上一代缩小约 30%；AE01 则同时提供动作记录与指尖触觉反馈。

这种组合有助于解释，为何灵巧手公司纷纷向数据工具延伸。一套更容易教会的硬件，可能增加执行器的吸引力；与执行器匹配的采集设备，也可能进入同一笔采购。但这些产品是否会被一起采购、能否在后续任务中继续使用，还要看客户的实际使用情况。

采集设备记录下动作，后续还要把它们整理成训练数据。简智机器人此次展出的 DAS 系列与数据基础模型 DFM 覆盖了这两个环节：前者用于第一视角、手部操作和手持采集，后者完成多源数据的对齐、重建和标准化处理。

简智还展示了从第一视角观察中重建全身动作的 Whole-Body Mesh 数据，将记录范围从双手扩展到身体协同。其已开放的 Gen-HumanEgo 数据集覆盖家庭、商业、工业和农业场景，提供同步多视角视频、三维手部重建、深度信息及分层语义标注。

控制数据入口的价值，取决于它能否持续降低“教会下一项任务”的成本。一次示范被记录下来，只是起点。校准、动作映射、数据同步、清洗以及训练后的效果验证，都会消耗时间。如果更换硬件就要重做整条流程，数据积累与设备绑定可能形成黏性，也可能成为客户扩展系统的负担。

从硬件做到模型

“全栈”是另一组密集出现的词。但不同公司对它的理解，覆盖的层次并不相同。

Daimon Robotics 戴盟机器人展示的是触觉传感、Data-Nexus 数据生产流程和 Daimon-TWM 世界模型。模型在现场自主执行穿珠和帆布袋热转印等多步骤操作，通过接触反馈调整动作。

拾玥科技（LumiBot）将灵巧手、视触觉传感、数据管线和操作模型纳入同一套系统。现场演示中，Lumi-Dex-11 连续完成取印章、盖章、取托盘、递卡片及归位。公司称，受到人为干扰后，操作模型能够重新调整任务规划，继续执行后续动作。

这两条路线都试图在内部打通感知、数据和学习。其潜在优势是出现错误后，可以沿着同一套系统排查；代价则是公司需要同时维持多个环节的研发与交付。产品层数增加，并不会自动证明每层都形成了独立优势。

灵巧智能展示了 DexGEM 阶段性成果，并于 9 月 28 日参与同期 Tech-Talk，分享面向灵巧操作的人机协作数据采集与训练方法。DexGEM 将人类动作示范在仿真中重建，再映射到机器人手，在未使用真实机器人训练数据的情况下，完成了叠纸杯、传瓶和倒水等真机测试。

Viam 的 BoxBot 展示了更鲜明的组合路线。这个仍在研究中的开箱项目，用视觉伺服引导工具切开胶带，再用微调后的开源 SmolVLA 处理可变形的箱盖，部分环节使用传统运动规划。据公司介绍，两位工程师在 4 天内用约 5 小时采集了 125 次遥操作示范，随后通过 LeRobot 训练并部署回机器人。