Wetour Robotics 发布 Orchestra 演示，把表面肌电和第一视角视觉结合起来采集机器人学习数据，说明具身智能的数据竞争正在从“看见动作”进一步下沉到“理解发力和遮挡时刻”。 9 月 1 日，Wetour Robotics 通过 GlobeNewswire 发布一段新的开发演示，核心是把表面肌电信号 sEMG 与第一视角视觉数据结合，用来采集更完整的人类手部示教信息。公司把这套系统命名为 Orchestra，并明确指出它要解决视觉单一路径的两个常见缺陷：第一，摄像头看得到手的位置，却看不到手到底使了多大力；第二，手被物体遮住或者离开视野后，关键动作会直接丢帧。对具身智能来说，这恰好击中了现在高质量训练数据最… 从发布内容看，Wetour 的方案由 8 通道 sEMG 腕带 Conductor 和第一视角相机 VisionLink 组成，目标是在边缘端把肌肉激活信号和视觉位置信息同步融合成一条连续记录。公司披露，在一项内部搬运任务里，纯视觉方案有 21.8% 的帧无法定位手部，最长连续丢失 4.32 秒，而 sEMG 设计上可以在这些视觉缺口里继续提供补充信号。演示模型当前能输出 20 个关节角，而不是只识别少数预设手势；此外，Wetour … 这条新闻最值得关注的地方，在于它把 Physical AI 的数据问题讲得更细了。过去很多具身智能叙事强调“多模态”“真机数据”，但实际落地时，最难的恰恰是人与物接触那一瞬间的数据完整性。机器人在抓取、捏持、装配这类任务里，视觉看到的只是外部姿态，真正决定是否成功的往往是力度、接触顺序和微小时序变化。如果 Wetour 这类方案能持续提高遮挡场景下的数据可用性，再把用力强弱也编码进去，那么未来用于模仿学习、精细操作和柔顺控制的数据质量… 因此，这条发布不是又一个“传感器公司做了个 Demo”那么简单。它反映出具身智能竞争正在从算力、模型和整机表演，继续下探到训练数据采集方法学本身。对 2AIBot 读者来说，这意味着下一阶段值得重点盯住的，不只是机器人会不会跑跳，还包括谁能先把人类操作里的隐性信息高效转成机器能学的结构化样本。谁先拿到这类更完整的数据，谁在精细操作和复杂交互上就更可能建立壁垒。
