YC F26 团队 Axonnic 做了一款前臂袖套,读取 EMG,解码手指动作并估算指尖力度。它瞄准的不是 VR,而是灵巧机器人的训练数据。
Axonnic 正在做一件不太像消费电子的事:把前臂包进袖套,让设备读取肌肉活动,再从中解码手指动作和指尖力度。
它不是动作捕捉手套。手保持裸露,袖套只记录前臂肌肉发出的 EMG 信号。
团队在 Launch HN 的开场介绍很直接:
Hi HN! We’re Arsh and Max, founders of Axonnic (YC F26)
Axonnic 是 YC F26 公司,由 Arsh 和 Max 创立。产品目前展示的重点,不是把 EMG 接到某个 VR 游戏里,而是采集人体运动数据,生成灵巧机器人的训练数据。
这件事值得拆开看。视频动作捕捉解决的是“手在哪里”,机器人真正缺的往往是“手用了多大力”。
袖套读的不是动作,而是发力
Axonnic 的前臂袖套通过读取肌肉活动,也就是 EMG,解码手指移动,并估算指尖施力。
这和常见的光学手部追踪有本质区别。
摄像头看到的是手的位置、姿态和移动轨迹。EMG 看到的是前臂肌肉在特定动作下产生的电活动。前者主要记录结果,后者尝试记录产生这个结果的一部分生理过程。
举个简单例子:
- 手指捏住杯子。视觉系统知道几根手指碰到了杯子。
- 同一个动作,如果用力更轻或更重,EMG 可能留下不同信号。
- 触觉或力传感器可以直接测量接触力,但通常需要把传感器贴在手指或物体上。
Axonnic 的方法把测量位置放在前臂,让手部保持裸露。用户不需要戴手套,也不用把大量传感器绑在每一根手指上。
但“估算指尖施力”这个措辞也要留意。袖套并非直接测量接触点,而是在根据肌肉活动推断输出。推断精度、延迟、重复性,目前不能只看一段 Shorts 演示就下结论。
演示短片在这里:
https://youtube.com/shorts/xBrocTc9cfAWe
纯视频会丢掉关键训练信号
Axonnic 的判断是:EMG 比仅靠视频更适合训练机器人,因为视频无法直接记录肌肉活动以及动作背后的用力程度。
这个判断有现实基础。
假设机器人要学会拧开一个螺帽。普通视频可能提供:
- 手腕如何旋转。
- 手指如何接近螺帽。
- 两指接触后,手部轨迹如何变化。
但视频很难直接告诉模型:
- 最初应该施加多大的力。
- 螺纹开始咬合后,输出是否应下降。
- 打滑时,人是通过重新调整指位,还是增加了握力。
- 同一个视觉动作背后,究竟对应多大力度的肌肉收缩。
对于视觉模仿学习,这些缺失通常叫作 underdetermined action。同一段手部轨迹可能对应多种力分配。模型只学轨迹,就可能复制了“看起来对、实际上没做对”的动作。
EMG 提供的不是完整触觉。它无法告诉你指尖具体接触了哪个物体,也无法直接测出每个关节的接触压力。但它能给视觉数据增加一条关于肌肉意图和发力程度的信号。
对灵巧机器人而言,这条信号可能比再提高几毫米的摄像头定位精度更值钱。抓取失败经常不是手没到位置,而是时机、夹持力和动作顺序不对。
产品数据如何进入机器人训练
从产品链路看,Axonnic 做的是 human movement recording,再把记录转成 dextrous robots training data。
可以把它理解成一条混合数据管线:
EMG 肌肉活动
↓
手指动作解码 + 指尖力度估算
↓
与人体运动记录对齐
↓
生成灵巧机器人训练数据
这里真正有价值的,不只是某个 EMG 分类模型,而是 EMG 记录和机器人数据之间的映射方式。
一个可用的训练样本至少要回答几件事:
- 人的哪块肌肉在什么时候活跃。
- EMG 变化对应哪个手指动作。
- 估算力度与机器人夹爪力之间如何对齐。
- 不同任务中,哪些 EMG 特征可以迁移。
- 数据如何处理噪声、漂移和个体差异。
最后两项尤其麻烦。
表面 EMG 通常包含运动串扰。握拳时,前臂其他肌肉也可能出现活动。传感器位置变化、皮肤阻抗、汗液、佩戴松紧度,也会改变基线和波形。
也就是说,同一个“捏”的动作,A 用户和 B 用户未必产生同样的信号。数据若不能做个体校准,采集规模越大,模型未必越好。
另外,机器人并没有完整的前臂肌肉。训练系统最终需要把人体 EMG 意图映射到机器人关节力矩、夹爪压力或触觉反馈,而不是让机器人模仿一块肌肉的电压。
Axonnic 展示的是采集入口。数据如何标注、校准、清洗,以及是否真的提升机器人策略成功率,是决定产品价值的另一部分。
Launch HN 透露了哪些产品细节
目前能确认的产品细节包括:
- Axonnic 是 YC F26 公司。
- 团队由 Arsh 和 Max 创立。
- 设备形态是前臂袖套。
- 它读取 EMG,解码手指移动,并估算指尖施力。
- 手部保持裸露。
- 产品用于记录人体运动,并为灵巧机器人生成训练数据。
- Launch HN 已在 Hacker News 首页发布,并附有 Shorts 演示视频。
原始发布帖:
https://news.ycombinator.com/item?id=50522776
从这些信息看,Axonnic 更像一家机器人数据基础设施公司,而不是 EMG 硬件创业公司。硬件负责获取信号,后面的数据生产流程才是产品核心。
它面对的竞争也不只是 EMG 袖套厂商。
- 摄像头成本低,场景覆盖广,适合批量采集视觉轨迹。
- 动作捕捉手套能直接测关节角度和指尖接触,但佩戴更繁琐。
- 指尖力传感器更接近真实接触力,却通常需要逐指绑定。
- EMG 袖套能补上肌肉活动与发力意图,代价是信号含噪,且存在明显的个体差异。
真正有竞争力的组合,未必是 EMG 取代其他方案,而是把视觉、动作捕捉和 EMG 放到同一条时间轴里。视觉负责几何信息,EMG 负责意图与力度线索,力传感器或触觉数据负责校准。
编辑思考
Axonnic 值得关注的不是 EMG 会立刻成为机器人的标准输入,而是它押中了一个具体缺口:视频知道手怎么动,却不知道手用了多大力。这个缺口直接影响抓取、拧转等任务的训练质量,采购方也更容易用策略成功率来验收。
我的判断是,机器人公司更可能买数据集和采集服务,而不是长期依赖单件袖套。EMG 若只做动作分类,商业价值有限;一旦能稳定提供力度标签,并与机器人夹爪力对齐,它才可能进入训练管线。
这次与过去的 EMG 演示不同,目标不是数字人或 VR 控制,而是直接服务灵巧机器人。验证会更硬:没有成功率提升,再干净的波形也只是另一种传感器。
目前仍无法确认 EMG 串扰、跨用户校准、实时延迟,以及指尖力度估算误差。发布材料也没有公开 benchmark。接下来应看三项:重复采集误差、不同用户的迁移能力,以及加入 EMG 后策略成功率提高多少。
来源
https://news.ycombinator.com/item?id=50522776