做具身智能真机数据采集，主从臂、VR 还是动捕？聊聊示教设备选型与踩坑

最近在帮几个做 Imitation Learning 和 VLA 落地的小伙伴搭数据采集工作站，发现大家在真机示教硬件选型上分歧挺大，发个帖交流下大家的实际选型和踩坑经验。

目前主流的几套方案，各有利弊：

1. 同构/半同构主从臂（比如 ALOHA、GELLO 方案）

   • 优势：直观，机械限位明确，操作者容易感知奇异点，动作频宽能打满，学出来的轨迹最平滑。
   • 劣势：成本高，占地大，遇到双手协调或大范围移动场景不好扩展。

2. 空间手柄 / VR 头显（Quest 3、Vision Pro + Open-TeleVision 路线）

   • 优势：轻便，成本低，适合泛化到移动双臂或全身遥操作。
   • 劣势：缺少力阻尼反馈，操作者手抖容易被当成高频动作录进去；长时间佩戴疲劳感明显；另外 SLAM 漂移和绝对位姿映射到 MoveIt / 机械臂 IK 时，末端姿态经常突跳。

3. 3D 鼠标（SpaceMouse）或摇杆

   • 优势：极度便宜，部署快。
   • 劣势：只适合 3~4 自由度的简单抓取，复杂装配任务基本采不了高质量数据。

从系统集成角度提个容易被忽视的点：不管选哪套遥操作输入，末端 Pose 的发布频率稳定度（最好跑在 30Hz~50Hz 且 jitter < 5ms），以及与 Realsense/奥比中光相机硬件时间戳（HW sync）的对齐，远比选多贵的摇杆重要。一旦时间戳错开两帧，Policy 训练出来的动作就会出现莫名其妙的顿挫。

想听听大家目前在实操中用哪种方案比较顺手？如果走低成本 VR/手柄路线，你们是怎么过滤掉手抖、保证 IK 解算稳定性的？