维特智能IMU 在灵巧手姿态数据采集中的应用及不同数量下优劣势分析（含市场分析）

具身智能 · 传感技术 · 数据采集

维特智能IMU 在灵巧手姿态数采中的应用及优劣势分析（含市场预测）

从分布式 IMU 阵列架构到校准操作流程，全面解析惯性测量单元在机器人灵巧手数据采集中的核心角色、技术优势、固有局限与工程实践方法。

技术领域：机器人遥操作 / 模仿学习 更新日期：2026-08-19

01 概述

随着具身智能进入规模化算法训练落地阶段，高质量、高保真人类演示数据已成为制约灵巧操作模型能力的核心瓶颈。机器人模仿学习需要精确捕捉人手二十余个自由度的运动轨迹，而 IMU（惯性测量单元）作为手部姿态与关节运动信息采集的核心传感载体，正成为新一代数采手套的关键技术基石[1]。

当前行业正从 EGO 第一视角采集、手持式 UMI 通用操作接口等方案，快速迈向基于分布式 IMU 阵列的高精度数采手套时代。现有 EGO 方案依靠头戴视觉采集第一视角画面，缺少手部本体运动量化信息；传统 UMI 方案仅能采集末端夹爪位姿，无法区分五指独立运动、多关节联动细节[1]。当算法目标转向仿人灵巧手、精细化操作场景时，模型需要区分每根手指近端、远端骨关节的独立屈伸与侧向摆动数据，这推动了 IMU 传感架构的快速普及。

10

单手套 IMU 数

48

最大自由度

48

16颗IMU*3

±2.7°

关节角精度

02 IMU 技术基础与工作原理

什么是 IMU

惯性测量单元（Inertial Measurement Unit, IMU）是一种能够测量物体加速度、角速度和磁场方向的微型传感器模块。在灵巧手数据采集场景中，通常使用基于 MEMS（微机电系统）工艺的 6 轴或 9 轴 IMU，其核心组件包括：

ACC

加速度计

测量三轴线加速度，可用于估计重力方向，从而确定传感器的俯仰角（pitch）和横滚角（roll）。在静态条件下提供绝对姿态参考。

GYRO

陀螺仪

测量三轴角速度，通过积分获得姿态变化。动态响应快速，但积分过程会引入累积漂移，长时间使用后误差持续增长。

MAG

磁力计

9 轴 IMU 独有组件，测量地磁场方向以提供绝对航向角（yaw）参考。但地磁场微弱（约 25–65 μT），易受金属和电子设备干扰[2]。

6 轴 vs 9 轴：关键权衡

6 轴 IMU（加速度计+陀螺仪）避免了磁干扰问题，但偏航角会随时间漂移；9 轴 IMU（增加磁力计）能提供绝对航向参考，但在金属环境或电磁跟踪系统附近，磁力计会被干扰而失效。实际工程中常采用自适应融合策略——仅在环境磁场稳定时信任磁力计，干扰时回退为 6 轴模式[2]。

配置	组件	俯仰/横滚精度	偏航精度	抗磁干扰	适用场景
6 轴	加速度计 + 陀螺仪	±0.2°	漂移	强	金属环境、EM 共存
9 轴	+ 磁力计	±0.5°	±1–2°	弱	无金属干扰的常规环境
自适应	9 轴 + 自适应切换	±0.5°	±1–2°	中	混合环境（推荐）

关节角度解算原理

在灵巧手数据采集手套中，每个 IMU 被固定在指骨段上，输出其所在骨段的绝对朝向（四元数或旋转矩阵）。关节角度通过相邻两个 IMU 的相对旋转计算得出[2][3]：

// 相邻 IMU 的相对旋转即为关节角度 θi = RiM · (Ri-1M)-1 // 其中 R 为旋转矩阵，M 表示 MANO 模型坐标系 // 考虑传感器安装误差 C 后： RiM · Ci = A · RiW // A: 世界坐标系到 MANO 坐标系的变换矩阵 // C_i: 第 i 个传感器的安装偏差校正矩阵 // R_i^W: IMU 在世界坐标系下的原始读数

差分测量的关键优势

关节角度来自相邻 IMU 之间的差分测量，这种差分方式会消除共模误差——即使绝对朝向存在漂移，关节角度估计仍然准确[2]。这是 IMU 手套能够在长时间数据采集任务中保持可用性的核心原因。

03 分布式 IMU 阵列架构设计

人手具有约 20 个自由度：每根手指的 MCP 关节提供 2 自由度（屈伸+外展），PIP 和 DIP 各提供 1 自由度，加上拇指的复杂关节，构成了一个高度冗余的运动学链[2]。要完整捕获这些运动，需要在每根手指的关键骨段上部署 IMU 传感器。

传感器布局方案

配置方案	IMU 数量	覆盖自由度	特点	代表系统
全指骨覆盖	15–18 / 手	~20 DoF	每节指骨一个 IMU，精度最高	Kortier et al. (2014)
标准分布式	10 / 手	~20 DoF	行业标准化方案，性价比最优	华依科技方案[1]
高自由度方案	16 / 手	48 DoF	包含扭转自由度，支持指尖揉搓等精细动作	FSGlove[3]
精简预算方案	6–7 / 手	有限	通过生物力学耦合推断中间关节角度	VRTRIX Pro
超高频方案	18 / 手	~20 DoF	800 Hz 采样率，捕获高速动力学	T-800[4]

FSGlove 作为开源标杆系统，在每根手指的近节、中节、远节指骨背侧各部署一个 IMU，加上手背处的全局朝向 IMU，共形成 16 个 IMU 的分布式网络（5 指 × 3 + 1 手背）[3]。系统采用 TDK InvenSense ICM-42607-P 6 轴 MEMS IMU 芯片，LGA-14 封装仅 2.5×3mm，焊接在定制柔性印刷电路板（FPC）上，通过 3D 打印支架固定在弹性尼龙手套表面，防止传感器滑动。芯片级封装使传感器体积近乎不可见，完全不干扰手部自然运动[10]。

系统硬件拓扑

FSGlove 硬件配置参考

IMU 型号	ICM-42607-P（TDK InvenSense 6 轴）
封装尺寸	LGA-14 2.5×3mm（芯片级）
陀螺仪噪声	7 mdps/√Hz（同级最低）
加速度计噪声	100 µg/√Hz
功耗	0.55 mA（6 轴模式）
采样率	最高 400 Hz（实际使用 100 Hz）
处理器	Raspberry Pi Zero 2W（四核 1.0 GHz）
通信方案	CH9344 USB-UART 桥接 + Wi-Fi
电池	1100 mAh 锂电池（续航 2 小时）
总重量	110 克
物料成本	$426（IMU 约 $3.27×16 ≈ $52）

04 优势分析

01

无视距遮挡限制

区别于光学动捕系统，IMU 惯性传感无需摄像头、无视距限制，支持室内外各类真实场景移动式数据采集，适配大规模野外数采[1]。光学系统在手指相互遮挡或物体遮挡时失效，而 IMU 始终保持连续追踪。

02

运动数据连续性强

多节点分布式布设，实时输出完整手指骨骼运动链数据，满足灵巧手模仿学习对时序连续、高精度关节数据的硬性要求[1]。相邻 IMU 差分计算消除共模漂移，保证关节角度长期稳定。

03

系统轻量化

依托微型 MEMS IMU 成熟产业链，手套整机可实现轻量化穿戴（约 110 克），适合长时间、大批量数据采集作业，支撑机器人企业搭建自有数据产线[1][3]。

04

成本极低

FSGlove 采用 ICM-42607 芯片，16 颗 IMU 物料成本仅 $52（市场价格波动，这里取最低价格额），整个手套系统 $426 中 IMU 占比从 75% 降至 12%。MEMS IMU 标准化生产使成本持续下降，规模化部署门槛极低[3][10]。

05

高自由度捕获

FSGlove 可捕获高达 48 自由度，远超商业手套的 21 DoF，能记录指尖扭转等精细动作，满足下一代灵巧手的训练需求[3]。

06

无外部基础设施

IMU 手套是纯板载传感方案，不需要任何外部摄像头或基站，可在厨房、工厂、户外等任意环境使用，部署灵活性远超光学动捕系统（需 $30K–$300K+ 的多相机笼）[2]。

05 劣势分析

劣势	严重程度	技术细节	缓解策略
偏航角累积漂移	中等	6 轴模式下偏航角随时间漂移，理论 30 分钟后误差达 3–10°[3]。差分计算可消除关节角漂移，但绝对朝向仍会偏移。	9 轴磁力计修正；视觉-惯性融合定期校准[5]
磁力计干扰	高	地磁场仅 25–65 μT，金属家具、电子设备、电磁场发生器均会严重干扰磁力计读数，导致航向角失准[2]。	自适应融合；环境标定；EM+IMU 空间隔离
无法测绝对位置	中等	IMU 仅能测量朝向，无法直接获取空间绝对位置。手指尖位置需通过运动学正推算获得，链长误差会逐级放大[2]。	搭配手背光学追踪器或 SLAM 获取全局位姿[3]
安装误差校准复杂	中等	每个 IMU 粘贴在手指上时存在安装偏差——传感器坐标轴与骨骼不精确对齐，若不校准则所有角度估计都会有偏[3]。	DiffHCal 可微校准框架；3 个参考姿态快速标定
手套拉伸效应	中等	弹性手套在佩戴过程中会发生拉伸变形，导致传感器位置偏移，需要每日重新校准以维持精度[3]。	刚性支架固定；穿戴后快速重校准流程
碰撞效应	低	当拇指与小指交叉接触时，传感器之间的物理碰撞会扭曲读数，影响极端手势的捕捉精度[3]。	超薄传感器封装；运动学约束后处理过滤
通信延迟	低	Wi-Fi 传输在拥塞环境下延迟约 24 ms，总显示延迟约 40 ms，对实时遥操作有一定影响[3]。	有线连接；5GHz 专用网络；边缘计算

核心局限：绝对位置不可测

IMU 只能测量传感器的朝向（orientation），无法测量空间中的绝对位置（position）。这意味着 IMU 手套可以精确知道每根手指弯曲了多少度，但不知道手在空间中的哪里。实际系统必须通过手背光学追踪器（如 Nokov、HTC Vive Tracker）或 SLAM 系统补充全局位姿信息[2][3]。这也是为什么大多数实用方案都是「IMU 手指追踪 + 外部全局追踪」的融合架构。

06 具体操作流程

完整的 IMU 灵巧手数据采集流程包括硬件准备 → 传感器校准 → 姿态标定 → 形状校准 → 数据采集 → 后处理六个阶段。以下以 FSGlove 系统和行业标准实践为参考，详述每个阶段的具体操作[3][6][7]。

阶段一：硬件准备与穿戴

1. 检查 IMU 连接状态

•  16 个 IMU（或对应数量）均在线。检查 FPC 排线无松动，USB-UART 桥接板通信正常。异常节点需要重新插拔或更换[3]。

1. 穿戴手套并固定

•  IMU 模块位于对应指骨段背侧正中。拉紧腕部绑带，使手背处理器盒体与手掌同步运动。3D 打印支架应紧贴骨节，防止传感器在运动中滑动[3]。

1. 连接处理单元与供电

•  Raspberry Pi Zero 2W 处理器，连接 Wi-Fi 网络。确认 1100 mAh 锂电池满电（续航约 2 小时）。如需长时间采集，外接 USB 供电[3]。

阶段二：传感器零偏校准

1. 静止状态数据采集

•  5000 帧原始数据，计算加速度计三轴均值、陀螺仪三轴均值和磁力计三轴均值，作为各传感器的零偏偏移量[6]。

1. 磁力计椭圆校准

• 8」字形，持续约 30 秒。系统采集磁力计全量程数据，通过最小二乘拟合消除硬铁干扰（偏移）和软铁干扰（变形），建立校正矩阵[7]。

1. 验证校准结果

•  (0, 0, ±9.8) m/s²，陀螺仪读数接近 0，磁力计航向角稳定不漂。使用电子罗盘或已知方向参考验证磁力计校准正确性[7]。

阶段三：姿态对齐与标定

此阶段通过 3 个预定义参考姿态，确定 IMU 坐标系与 MANO 手部模型坐标系之间的变换关系，同时校正每个传感器的安装偏差[3]。

姿态	操作动作	用途
静息姿态	手掌朝下平放在桌面，五指尽可能展开	确定初始坐标系对齐，作为零位参考
X 轴旋转姿态	保持手指不动，手腕绕 X 轴转动使手掌竖直朝向墙面	确定 X 轴方向，分离俯仰角
Y 轴旋转姿态	从 X 轴旋转姿态出发，手腕在竖直面内绕 Y 轴转动	确定 Y 轴方向，分离偏航角

系统记录每个姿态下所有 IMU 的旋转矩阵读数，通过 DiffHCal 可微优化框架同时求解：变换矩阵 A、16 个安装偏差矩阵 Ci、以及关节角度参数 θ[3]。

阶段四：手形形状校准

1. 执行接触姿态

•  MANO 模型的可微性，建立接触约束——拇指尖和食指尖的网格顶点应重合，通过这一物理约束反推手部形状参数 β（控制手指长度、手掌胖瘦等）[3]。

1. 联合可微优化

1. 在单次优化中端到端求解所有未知量：变换矩阵 A、16 个安装偏差 Ci、形状参数 β 和关节角度 θ。全部通过梯度下降优化，无需额外硬件或深度相机[3]。

1. 校准验证

• FSGlove 的形状重建误差约 3.6 mm，关节角误差小于 2.7°[3]。

阶段五：数据采集作业

1. NTP 时间同步

•  NTP 时间同步协议，确保手套 SBC、手背追踪器和采集 PC 之间的时钟一致。时间同步精度直接影响多模态数据对齐质量[3]。

1. 执行目标任务动作

•  3–5 次重复，单次时长 10–30 秒。FSGlove 在 10 分钟连续采集中未观察到明显漂移，标准差保持 ±1.8°[3]。

1. 数据流传输

1. 个 IMU 以 100 Hz 采样率输出四元数数据 → Raspberry Pi Zero 2W 通过 gRPC + Protobuf 序列化 → Wi-Fi 传输至采集 PC → GPU 加速重建（25 Hz 可视化）。总显示延迟约 40 ms，其中 Wi-Fi 传输约 24 ms[3]。

// 数据流示例 (FSGlove) IMU (100Hz) → Raspberry Pi Zero 2W → gRPC + Protobuf 序列化 → Wi-Fi 传输到 PC → NTP 时间同步 → GPU 加速重建 (25Hz 可视化) // 延迟分解 手套 Wi-Fi 拥塞: 24 ms Nokov 追踪器: 1 ms 中间件/内存: <0.5 ms 总显示延迟: ~40 ms

阶段六：后处理与数据导出

1. 漂移补偿

• ZUPT）、视觉关键帧修正或运动学约束滤波。视觉-惯性融合方案可将指尖位置误差从纯 IMU 方案的 10–15 mm（1 分钟后）降至 ±1.5 mm[5]。

1. 运动学逆解与重定向

•  IMU 关节角度数据映射到目标机器人灵巧手的关节空间。基于学习的重定向方法可实现 20 自由度灵巧手的实时控制[8]。需处理人手与机器人手在运动学结构、关节限位和比例上的差异。

1. 数据格式导出

• CSV/HDF5/ROS bag），包含时间戳、各关节角度、手部位姿和手部网格。可直接用于模仿学习训练管道（如 ACT、Diffusion Policy 等算法）[3]。

07 代表系统对比

当前 IMU 数采手套领域已形成从开源低成本方案到商业高精度方案的完整谱系。以下对比涵盖技术参数、精度指标和经济成本三个维度。

规格	FSGlove (开源)	VRTRIX Pro	Meta Quest 3	MANUS Metaglove	T-800
技术路线	IMU ICM-42607 (16个)	IMU (6个)	视觉追踪	磁传感器	IMU (18节点)
采样率	100 Hz	180 Hz	60 Hz	120 Hz	800 Hz
捕获自由度	48 DoF	有限	~25 DoF	21 DoF	~20 DoF
关节角精度	≤2.7°	±1–2° (yaw)	—	—	—
指尖位置误差	15.7 mm	18.9 mm	19.6 mm	33.2 mm	—
手形重建	有	无	有（视觉）	无	无
价格	$426	$1,400	$499	$5,250	研究系统
遮挡鲁棒性	强	强	弱	强	强

图2：主流数采系统精度与成本对比

关键发现

FSGlove 采用 ICM-42607 芯片方案，以 MANUS 1/12 的价格实现了更好的指尖追踪精度（15.7 mm vs 33.2 mm）和形状重建精度（3.6 mm vs 无）。这证明高成本不等于高性能——分布式 IMU 架构通过充足的传感器覆盖和可微校准算法，可以在极低成本下达到甚至超越商业方案的水平[3]。

08 维特智能 JY931 方案选型

数采手套对 IMU 的核心约束不仅是精度，更是尺寸——传感器必须安装在指骨背侧，每根手指要放 2–3 颗，体积过大会严重干扰手部自然运动。维特智能此前的 HWT905 系列（51.3×36×15mm）模组尺寸远超指骨安装极限。JY931 以 12×12×3mm 的微型封装和仅 1g 重量，成为灵巧手数采手套的理想模组级方案[9]。

JY931 核心规格

参数	JY931 规格	对比 HWT905（旧方案）	对比 ICM-42607（芯片级）
类型	9 轴模组（含磁力计）	9 轴模组	6 轴裸芯片
外形尺寸	12×12×3mm	51.3×36×15mm	2.5×3mm（LGA-14）
体积比	1×	~50×（过大，不适合指骨）	~1/25（需自行设计电路）
重量	1g	~15g	<0.1g（芯片）
俯仰/横滚精度	0.1°	0.05°	—（依赖外部算法）
航向精度	1°（9 轴校准后）	1°	—（6 轴无磁力计）
分辨率	0.01°	0.0055°	—
陀螺仪量程	±250/500/1000/2000 °/s	±2000°/s	±250/500/1000/2000°/s
加速度量程	±2/4/8/16g	±6g	±2/4/8/16g
最高输出率	1000 Hz	200 Hz	—（取决于 SPI 时钟）
工作电流	12 mA	23 mA	0.55 mA
通信接口	UART（TTL/232）	UART/CAN/RS485	I3C/I2C/SPI
滤波算法	板载 Kalman 融合	板载 Kalman 融合	无（需 MCU 实现）
工作温度	-40°C ~ +85°C	-40°C ~ +85°C	-40°C ~ +85°C
参考单价	~¥200–300	~¥300–500	~¥24（$3.27）
16 颗物料成本	~¥3200–4800	~¥5000–8000	~¥384（需额外电路板成本）
指骨安装适用性	优秀（12mm 边长）	不适用（51mm 边长）	需自研 FPC

尺寸是核心约束

人手近节指骨背侧可用安装面积约 15×20mm，中节约 10×15mm，远节仅约 8×12mm。HWT905（51×36mm）远超所有限制；JY931（12×12mm）恰好适配近节和中节指骨，远节可通过柔性排线延伸安装至手背。ICM-42607 芯片（2.5×3mm）尺寸最优，但需自研 FPC 电路板和融合算法，工程门槛更高[3][9][10]。

JY931 + ICM-42607 协同方案建议

实际数采手套工程中，JY931 模组方案与 ICM-42607 芯片方案并非二选一，而是分场景协同：

A

JY931 快速部署方案

场景：原型验证、中小批量数据采集、快速迭代。

优势：即插即用，板载 Kalman 融合直接输出四元数，无需开发融合算法。12×12×3mm 尺寸适配指骨安装，1g 重量不干扰手部运动。UART 串口直连 SBC，开发周期以天计。

配置：单手 10 颗 JY931 + 手背 1 颗全局 IMU，双手共 22 颗。物料成本约 ¥4400–6600。

B

ICM-42607 量产方案

场景：大规模量产、极致轻量化、成本敏感。

优势：2.5×3mm 芯片级封装，16 颗物料成本仅 ~$52（¥384）；陀螺仪噪声 7 mdps/√Hz 同级最低；0.55 mA 超低功耗延长电池续航。可穿戴设备专用 APEX 运动功能。

门槛：需自研柔性 PCB、SPI 总线拓扑和传感器融合算法，工程投入大。

C

混合分层方案（推荐）

场景：兼顾开发效率与量产成本。

架构：近节指骨（较大面积）用 JY931 模组保证精度和快速部署；中节/远节指骨（面积受限）用 ICM-42607 芯片焊接在定制 FPC 上。全局手背 IMU 用 JY931 提供绝对航向参考。

成本：单手 5×JY931 + 10×ICM-42607，双手物料约 ¥2200–3300。

D

JY931 高频方案

场景：高速动力学研究（指尖揉搓、弹指等）。

优势：JY931 高回传款支持 1000Hz 输出率，是 HWT905（200Hz）的 5 倍，可捕获高速精细动作。配合温度补偿算法保证长时间稳定性。

配置：全 JY931 阵列，双手 22 颗，数据带宽约 22×1000×16B = 352 KB/s。

选型结论

对于多数数采手套团队，JY931 是当前最优的模组级选择——尺寸恰好适配指骨、板载融合算法免去开发负担、1000Hz 高频覆盖绝大多数场景、¥200–300 单价在可接受范围内。ICM-42607 适合有 FPC 设计能力和算法团队的量产场景，芯片级成本优势显著但工程门槛高。两者混合分层方案兼顾效率与成本，是推荐的大规模部署路径[9][10]。

图4：JY931 vs 竞品方案尺寸-精度-成本三维对比

09 市场前景与趋势

随着数采手套成为机器人灵巧操作数据采集的下一代核心硬件形态，IMU 的战略价值和单机搭载数量将迎来显著跃升。以每套双手采集系统搭载 20 颗 IMU 为基准，当数采手套逐步实现产业化普及，预计需求量将达到 2000 万台，即可带动 4 亿颗 IMU 的需求释放[1]。

图3：数采手套 IMU 需求规模预测

技术发展趋势

视觉-惯性融合

纯 IMU 的累积漂移通过视觉数据实时修正，使指尖位置误差从 10–15 mm（1 分钟后）降至 ±1.5 mm，且误差不随时间累积[5]。这是当前最主流的技术演进方向。

超高频采集

T-800 系统以 18 节点 IMU 阵列实现 800 Hz 在线同步采集，捕获传统系统遗漏的手部高频动力学[4]。高频数据对精细操作（如指尖揉搓）的模仿学习至关重要。

可微校准框架

DiffHCal 等可微优化方法将关节角、手形、安装误差统一到单次端到端优化中，极大简化了校准流程，使非专业人员也能快速完成部署[3]。

开源生态成熟

FSGlove 的硬件设计、底层驱动和高层接口全部开源，兼容 OptiTrack、HTC Vive 等主流生态，推动手部追踪研究民主化[3]。

参考资料

1. 资讯中国，"数采手套升级赋能新市场，打开IMU数百亿规模新空间"，2026-08-18。分析数采手套产业趋势与 IMU 需求规模。 数采手套升级赋能新市场,打开IMU数百亿规模新空间|具身智能|灵巧手|数据|机器人|传感_手机新浪网
2. Shumo Chu & GI Labs Team，"Tracking Dexterous Hands: System Trade-offs for Scaling Robot Learning"，2026-03-16。灵巧手追踪技术系统性对比报告，涵盖光学、IMU、电磁、SLAM 等方案。 Tracking Dexterous Hands: System Trade-offs for Scaling Robot Learning — General Intelligence Labs
3. Yutong Li et al., "FSGlove: An Inertial-Based Hand Tracking System with Shape-Aware Calibration," arXiv 2025, SJTU。开源 16-IMU 数据手套系统，48 DoF 捕获，DiffHCal 可微校准框架。 FSGlove: An Inertial-Based Hand Tracking System with Shape-Aware Calibration
4. "T-800: A High-Frequency Full-Hand Tracking System," arXiv 2026。18 节点 IMU 阵列，800 Hz 在线同步采集的高频手部追踪系统。 https://arxiv.org/html/2603.26403v1
5. "一种基于IMU与视觉数据融合的手部位姿估计方法及系统"，专利。通过视觉数据实时修正 IMU 累计误差，将指尖位置误差从 10–15 mm 降至 ±1.5 mm。 X技术验证页面
6. "Development of an Intuitive Glove-Based Human Interface for Robotic Applications," UKSCIP 2024。手套式人机接口的传感器零偏校准流程（5000 帧静止取均值方法）。 https://ojs.ukscip.com/submissions_files/2/journals/13/articles/1303/68e9f669d1132.pdf
7. "Development of a Wearable Device for Motion Capturing Based on Magnetic and Inertial Measurement Units," Wiley 2017。IMU 加速度计和磁力计的离线/在线校准方法与数学模型。 https://onlinelibrary.wiley.com/doi/full/10.1155/2017/7594763
8. HumDex，"人形机器人全身灵巧操作遥操作系统"，CSDN。基于 IMU 的全身追踪方案（15 节点），20 自由度灵巧手的基于学习重定向方法。 《VLA 系列》HumDex | 人形机器人 | 全身灵巧操作 | 遥操作系统 | 数据采集_躬行见万象-全球具身智能开发者社区
9. 维特智能（WitMotion），"JY931 九轴高精度姿态传感器"，淘宝/京东产品页。外形尺寸 12×12×3mm，重量 1g，9 轴，0.1° 精度，最高 1000Hz 输出率，板载 Kalman 融合。 维特智能串口九轴高精...-淘宝Taobao | 天猫Tmall
10. TDK InvenSense，"ICM-42607-P Datasheet"，立创商城产品页。6 轴 MEMS IMU，LGA-14 封装 2.5×3mm，陀螺仪噪声 7 mdps/√Hz，加速度计噪声 100 µg/√Hz，0.55 mA 低功耗，支持 I3C/I2C/SPI。 ICM-42607-P | Accelerometers | TDK InvenSense | LCSC