然而活中随处会用到之力讯息之采集，却为现有诸多大规模数采体系普遍面临之一大关隘。
昔之大规模数据采集基本只记载位置讯息与视觉讯息，力觉因本金与技艺难度甚难规模化。
（来源：https://arxiv.org/abs/2601.09988） （来源：https://arxiv.org/abs/2601.09988） 相关论文https://arxiv.org/abs/2601.09988 （来源：https://arxiv.org/abs/2601.09988） （来源：https://arxiv.org/abs/2601.09988） 而前面提到之 UMI-FT 体系不仅为增之传感器，还把苹果手机绑于之机器者之手上。
任何实验室或者机器者爱好者，皆可用几千块之本金复制一套用来操练自己之机器者。
操练时，研讨团队采集之 200 到 630 组不等之苍生演示数据，每组数据皆包含之图像、深度、姿态与每名手指之六维力觉讯息。
而 CoinFT 本金只有 10 美元，既耐摔又耐撞。
论文作者侯一凡告诉 DeepTech，此套预案之意义于于让带力回馈之大规模数据采集变得易实现。
仓库https://umi-ft.github.io/ 于潜于应用场景上：于工厂里，机器者可插拔精密之电子连接器，或者装配带有卡扣之塑料件；于医疗领域，手术机器者可感知缝合伤口时手术针刺穿机构之阻力变化，操作更加安康；于家效劳中，机器者可帮你拧开瓶盖、打鸡蛋与擦桌子。
然后，彼等用此些数据操练之一名自随顺柔顺计策模型（ACP）。
总之来说，本次成果等于给机器者装上之一层皮肤，让机器者有之触觉，让它能够感知自己用之多大力气，以及外界给之它多少之反作用力。
CoinFT 能够像旧俗工业力传感器一样进行标准化校准，并且能够安康承受甚大之冲击力而不损坏。
目前，研讨团队已把此套体系之硬件设计与软件代码全部开源。
其内部架构由几层带椭圆支柱之介电材料组成，受到压力时电容会生变化。
指尖之力觉传感器以 360 赫兹之速度进行超快采样，所有数据皆会被记载下来。
此名模型会输出机器者之宗旨位置、虚拟宗旨位置、刚度矩阵、抓握力与夹爪宽度。
相比之下，旧俗工业用之六轴力觉传感器又大又贵，一名就要几万块钱，而且格外娇气一不小心就会被摔坏。
数据为具身智能之燃料。
为之处置力回馈之难题，斯坦福大学团队掘发之名为 UMI-FT 之体系，彼等于手持式数采设备 UMI 之每名手指上安装之一名硬币大小之六维力觉传感器 -- CoinFT。
手机负责提供 RGB 摄像头、超广角摄像头、深度摄像头与姿态数据，刷新率从 10 到 60 赫兹不等。
此名传感器只有 2 克重，当机器者拿之灯泡去找插座之时候，它能实时感受到自己手指所受到之所有力，轻之它就加把劲，重之它就松一点，几乎能够像者手一样细腻。
此名体系之核心为一名叫做 CoinFT 之微型传感器，直径 20 毫米，厚度只有 3 毫米。
UMI-FT 提供之一名低本金、高一致性、可规模化之力觉数据采集预案，为操练具备柔顺操作本领之机器者计策铺平之路途。
底层有两名控制器于同时工，腕部柔顺控制器根据两名手指传来之力与力矩，调理机器者手臂之位置与姿态，抓握力控制器则负责调节手指夹紧之力度。
你体谅球员们于失此次争夺欧冠机会后之心情吗。
旧俗之力传感器（Force-torque sensor）贵，沉重且脆弱，动辄上万元本金之设备于遇到冲击时极易永久损坏；更灵活之触觉传感器（Tactile Sensor）仍不成熟，短暂之用寿命与校准之难皆极大限制之其应用规模。
还有一名五层之神经网络把此些电容值换算成为力与力矩，校准后之精度极其高，力之误差于 0.15 到 0.58 牛之间，力矩误差于 17 到 231 毫牛米之间。
它能感知到每名手指受到之全部六名方位之力与力矩。