企业官网建设流程全解析

1. 从一次抓取失败说起：为什么灵巧操作数据这么难采

如果你正在做人形机器人的抓取或手内操作，大概率遇到过这种场景：模型在仿真里跑得挺好，一上真机就抓空、打滑、把杯子捏变形。排查半天，问题往往不在策略网络，而在训练数据的质量——尤其是手指关节那一层的数据。

用 VR 手柄或者纯视觉手部追踪采数据，最大的坑是遮挡。操作者手一转、一挡，追踪就丢帧，重定向到机器人灵巧手时关节角会跳变。这种跳变混进数据集，模型学到的就是"抖动的抓取"，部署时自然不稳。Manus 数据手套的价值就在这里：它用惯性+弯曲传感器直接测手指姿态，不依赖摄像头视线，拇指、食指、中指每个自由度的运动都能稳定输出。

这篇要解决的，就是怎么把 Manus 手套 + VR 头显 + 手腕追踪器这套遥操作链路搭起来，并且用 TaoToken 统一 Key 接入 AI 辅助脚本，把原始手套数据清洗、重定向、校验成一份可复现的高质量灵巧操作数据集。适合做具身智能数据采集、人形机器人遥操作、模仿学习微调的工程师和研究者。整套流程我会给出可复制的 settings.json 骨架、手套到机器人的映射配置，以及数据质量校验的具体动作。

2. TaoToken 前置：统一 Key 接入 AI 辅助脚本

数据采集链路里有一堆琐碎但必要的脚本：手套原始流解析、关节角平滑、重定向矩阵求解、数据集格式转换、质量报告生成。这些脚本里有些逻辑（比如异常帧判定、动作分段）用大模型辅助写会快很多。为了避免每个脚本各自管一套 Key，我用 TaoToken 做统一入口。

TaoToken 是一个模型 API 聚合平台，一个 Key 就能调用多家模型，对做数据管线的人来说省事——不用在采集脚本、校验脚本、标注脚本里分别配不同厂商的凭证。官网入口在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 基址是 https://taotoken.net/api （这个不加 UTM）。

你需要先拿到 Key。进控制台创建：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，然后在 API Keys 页面生成：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。生成后复制那串 sk- 开头的字符串，后面配置里要用。

注意：Key 只显示一次，建议直接写进环境变量，别硬编码进要提交到 git 的脚本里。

如果你后面要做长期的编码和 Agent 任务（比如让模型持续帮你迭代重定向算法），可以看下 Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。接入细节和参数说明在文档里：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。

3. 可复制配置：settings.json 骨架与手套-机器人映射

3.1 settings.json 骨架

下面这份骨架把 TaoToken 接入、手套设备参数、重定向目标都放在一起。你可以直接改成自己的路径和机器人型号。

{ "taotoken": { "base_url": "https://taotoken.net/api", "api_key_env": "TAOTOKEN_API_KEY", "default_model": "claude-sonnet-4-20250514", "timeout_seconds": 60, "max_retries": 3 }, "manus": { "sdk_host": "127.0.0.1", "sdk_port": 8010, "glove_side": "both", "sample_rate_hz": 120, "raw_topic": "/manus/raw/nodes", "calibration_file": "./calib/manus_zero_pose.json" }, "vr_tracking": { "headset": "pico", "wrist_tracker_topic": "/vr/wrist/pose", "waist_tracker_topic": "/vr/waist/pose", "foot_tracker_topic": "/vr/foot/pose" }, "retarget": { "robot": "unitree_g1", "hand_model": "dex3_1", "map_file": "./retarget/manus_to_dex3_1.yaml", "smoothing": { "method": "savgol", "window": 7, "polyorder": 2 }, "clip_limits": true }, "dataset": { "output_dir": "./datasets/dex_manip_v1", "format": "hdf5", "record_video": true, "video_fps": 30, "min_episode_frames": 90 } }

几个关键点解释一下。api_key_env指向环境变量名而不是明文 Key，脚本启动时用os.environ读取。sample_rate_hz设 120 是因为手指快速动作（比如拧瓶盖）在 60Hz 下会丢细节。smoothing用 Savitzky-Golay 而不是简单滑动平均，因为前者能保留动作的峰值特征，不会把快速抓取抹平。

3.2 手套到 Dex3-1 的映射配置

Manus 手套覆盖全手自由度，但宇树 G1 上装的 Dex3-1 是三指灵巧手。所以映射不是一对一的，需要把五指的弯曲量重定向到三根手指。下面这份 YAML 是核心映射骨架：

# manus_to_dex3_1.yaml source_joints: thumb_mcp: "manus.thumb.mcp.flex" thumb_pip: "manus.thumb.pip.flex" index_mcp: "manus.index.mcp.flex" index_pip: "manus.index.pip.flex" middle_mcp: "manus.middle.mcp.flex" middle_pip: "manus.middle.pip.flex" target_joints: thumb: "dex3.thumb.joint1" index: "dex3.index.joint1" middle: "dex3.middle.joint1" mapping: thumb: - source: "manus.thumb.mcp.flex" weight: 0.6 - source: "manus.thumb.pip.flex" weight: 0.4 index: - source: "manus.index.mcp.flex" weight: 0.5 - source: "manus.index.pip.flex" weight: 0.5 middle: - source: "manus.middle.mcp.flex" weight: 0.5 - source: "manus.middle.pip.flex" weight: 0.5 limits: thumb: [0.0, 1.57] index: [0.0, 1.57] middle: [0.0, 1.57]

权重不是拍脑袋定的。拇指的 MCP 负责张开幅度，PIP 负责对掌弯曲，抓握时两者贡献接近 6:4。食指和中指在捏取时 MCP 和 PIP 几乎同步，所以各占一半。你可以用一段标定动作（比如捏住一个已知直径的圆柱）来微调这些权重。

3.3 用 TaoToken 辅助生成校验脚本

数据质量校验里有个麻烦活：判定哪些帧是"异常帧"。规则写死了容易漏，写松了噪声全进来。我让模型帮我生成一个基于统计的判定函数，通过 TaoToken 调用：

import os import json import requests def load_settings(path="./settings.json"): with open(path, "r", encoding="utf-8") as f: return json.load(f) def ask_taotoken(prompt, settings): cfg = settings["taotoken"] api_key = os.environ[cfg["api_key_env"]] headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } payload = { "model": cfg["default_model"], "messages": [ {"role": "system", "content": "你是机器人数据质量分析助手，只输出可执行的Python函数。"}, {"role": "user", "content": prompt} ], "max_tokens": 1024 } resp = requests.post( f"{cfg['base_url']}/v1/chat/completions", headers=headers, json=payload, timeout=cfg["timeout_seconds"] ) resp.raise_for_status() return resp.json()["choices"][0]["message"]["content"] if __name__ == "__main__": s = load_settings() prompt = ( "写一个函数 detect_outlier_frames(joint_series, window=15, z_thresh=3.0)，" "输入是形状为 (T, J) 的关节角数组，用滑动窗口的z-score检测突变帧，" "返回布尔掩码。要求处理边界，不引入额外依赖。" ) code = ask_taotoken(prompt, s) print(code)

跑完这段，你会拿到一个可以直接贴进校验管线的函数。实测下来，用模型生成这类统计函数比手写快，而且它会自动处理边界情况。

4. 验证请求：从手套数据到可复现数据集

4.1 先验证 TaoToken 通路

在跑完整采集之前，先确认 Key 和网络通。用 curl 发一个最小请求：

export TAOTOKEN_API_KEY="sk-你的key" curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [{"role": "user", "content": "回复ok"}], "max_tokens": 16 }'

返回里能看到choices字段就说明通路正常。如果报 401，检查 Key 有没有复制全；报 404，检查 base_url 是不是写成了带路径的完整地址。

4.2 验证手套数据流

启动 Manus SDK 后，先看原始流有没有数据：

python -c " import json, requests r = requests.get('http://127.0.0.1:8010/manus/raw/nodes', timeout=5) data = r.json() print('节点数:', len(data.get('nodes', []))) print('采样率:', data.get('sample_rate')) "

正常应该看到节点数大于 20（每根手指多个关节），采样率接近 120。如果节点数是 0，检查手套有没有连上、SDK 有没有启动、端口对不对。

4.3 验证重定向结果

拿一段标定动作（比如缓慢握拳再张开），看重定向后的关节角曲线：

import numpy as np import yaml def load_map(path): with open(path, "r", encoding="utf-8") as f: return yaml.safe_load(f) def retarget(raw_frame, mapping): out = {} for target, sources in mapping["mapping"].items(): val = sum(raw_frame[s["source"]] * s["weight"] for s in sources) lo, hi = mapping["limits"][target] out[target] = float(np.clip(val, lo, hi)) return out m = load_map("./retarget/manus_to_dex3_1.yaml") # 假设 raw_frame 是从手套流里取的一帧 raw_frame = { "manus.thumb.mcp.flex": 0.8, "manus.thumb.pip.flex": 0.6, "manus.index.mcp.flex": 0.9, "manus.index.pip.flex": 0.7, "manus.middle.mcp.flex": 0.85, "manus.middle.pip.flex": 0.65, } print(retarget(raw_frame, m))

输出应该是三个在 [0, 1.57] 区间内的值。如果某个值一直贴着上限，说明权重给大了或者标定没做，回去调calib/manus_zero_pose.json。

4.4 数据质量校验动作

采集完一个 episode 后，跑三个校验：

第一，帧连续性。检查时间戳有没有跳变超过 2 个采样周期：

def check_timestamp_gaps(ts, expected_dt=1/120, tol=2): gaps = np.diff(ts) bad = np.where(gaps > expected_dt * tol)[0] return len(bad) == 0, bad

第二，关节角速度。相邻帧的关节角变化超过阈值就标记：

def check_joint_velocity(joint_series, max_delta=0.35): deltas = np.abs(np.diff(joint_series, axis=0)) bad_frames = np.where(deltas.max(axis=1) > max_delta)[0] return len(bad_frames) == 0, bad_frames

第三，动作完整性。一个抓取 episode 应该包含接近、抓取、抬起三个阶段，用关节角曲线的拐点来判定：

def check_episode_phases(joint_series, min_frames=90): if len(joint_series) < min_frames: return False, "episode too short" grip = joint_series[:, 0] # 以拇指关节为例 if grip.max() - grip.min() < 0.5: return False, "no clear grasp motion" return True, "ok"

三个校验都过，这个 episode 才进数据集。任何一个不过，标记出来人工回看或者重采。

5. 本篇常见错排查

手套数据抖动大，重定向后关节角跳变。先看是不是没做零位标定。Manus 手套每次佩戴后都要做一次 zero pose 标定，否则弯曲传感器的基线会漂。标定文件在calib/manus_zero_pose.json，重新生成一遍。

TaoToken 请求超时。检查timeout_seconds是不是设太短，生成校验函数这种任务建议 60 秒起。另外确认 base_url 是https://taotoken.net/api，不要多加/v1之外的路径。

重定向后手指一直顶到限位。多半是权重和超过 1，或者原始弯曲量范围没归一化。Manus 输出的弯曲量可能是 0-1 也可能是角度值，看 SDK 文档确认量纲，在映射前统一归一化。

采集的 episode 长度参差不齐。在采集脚本里加一个最短帧数过滤，min_episode_frames设 90（120Hz 下约 0.75 秒），太短的直接丢弃，别混进数据集。

视频和关节数据对不齐。视频 30fps、手套 120Hz，需要做时间戳对齐。建议在采集时用同一个时钟源打时间戳，后处理时按最近邻插值对齐到视频帧。

模型生成的校验函数有 bug。别直接信，拿一段已知正常的数据跑一遍，看返回的掩码是不是全 False。如果误报多，把z_thresh调大或者窗口调宽。

6. 把链路固定下来，让数据可复现

整套链路跑通后，最重要的是把它固定成可复现的流程。我的做法是：settings.json 进版本控制（Key 走环境变量），映射 YAML 进版本控制，标定文件每次采集前重新生成并记录哈希，每个 episode 附带一份质量报告（三个校验的结果 + 时间戳 + 操作者 ID）。

这样别人拿到你的仓库，配上自己的 Key 和手套，就能复现出同分布的数据集。对于做人形机器人灵巧操作微调的团队来说，这比多采几百条脏数据有用得多。

如果你要长期迭代重定向算法、让模型持续帮你优化映射权重，可以走 Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。想先验证模型输出质量，直接在模型对话里试：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=model-chat&utm_campaign=rewrite 。接入过程中遇到参数问题，文档里有完整的请求示例：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。