今天我们正式开源UMI ver.2—— 面向双臂机器人的毫米级高精度数据采集手持系统。以定位更准、成本更低、部署更快、数据更稳的全栈能力把专业级动捕采集从“高不可攀”变成“开箱即用”。为什么我们要做 UMI ver.2在具身智能与模仿学习落地中高质量示范数据决定模型上限。传统方案却处处是门槛专业动捕设备动辄数万元小团队与实验室难以承担普通方案定位误差厘米级甚至更高精细任务完全无法训练部署调试动辄半天到一天流程繁琐、环境苛刻为此穹明智能推出UMI ver.2用数据真实案例说话彻底打破成本与精度壁垒。UMI ver.2 核心应用场景机器人模仿学习示范数据采集一次示范即可复现抓取、开箱、拧螺丝、装配等动作复现误差1mm。具身智能算法训练同步输出视觉 位姿 夹爪三模态数据支撑Diffusion Policy、Pi 0.5 等前沿模型训练。双臂精细操作验证毫米级定位满足精密插接、小件组装等高要求任务。高校科研与教学实验30 分钟快速搭建一整套设备成本不到3000 元实验室可批量部署。工业快速验证无需产线改造1 小时完成流程验证大幅降低研发迭代成本。UMI ver.2硬核数据支撑三大优势1. 毫米级定位精度误差低至0.5mm采用HTC Vive Tracker 3.0 双基站 1.0红外光学定位空间定位精度±0.1mm±0.5mm姿态重复精度0.1°有效采集范围最大5m×5m采样频率30Hz同步采集轨迹无丢点、无漂移2. 极致性价比整机成本不到3000元相比传统动捕方案节省90%以上成本全套硬件透明可采购鱼眼相机180°大视角1440×108030Hz定位模块Tracker 3.0 双基站7米内稳定定位夹爪模块ESP32‑S3 滑动电位器实时采集开合度3. 部署效率大幅提升30分钟全流程跑通环境配置10分钟完成依赖与环境安装基站部署5分钟完成安装与配对定位校准3分钟完成空间校准数据采集1分钟启动录制即开即用训练推理标准化 HDF5 格式兼容LeRobot等主流框架30 分钟快速上手基站部署基站视角基站的水平视场为 150 度垂直视场为 110 度。为了最大限度地扩大操作区请将基站安装在高于头部的位置距地面的距离最好大于 2 米 或 6.5 英尺并将各基站的角度调整为 25 度到 35 度之间。视角如下图所示两个基站所需的最小操作区域为 2 米 x 1.5 米6 英尺 6 英寸 x 5 英尺最大可达 5 米 x 5 米16 英尺 5 英寸 x 16 英尺 5 英寸第一次使用定位基站需要手动设定定位基站的频道。按背后的按键一个基站设置成B另一个设置成C看正面左下角的绿色指示灯1. 状态指示灯 2. 前面板 3. 通道指示灯嵌入式4. 电源接口5. 通道按钮 6. 同步线缆接口选配7. Micro‑USB 接口用于固件升级配对定位器和无线接收器初次使用第一次使用UMI需要将它的定位器与无线接收器配对。配对完成之后接收器可以直接接电脑无需再使用接收器底座。将 USB Type-C 数据线的一端连接到接收器底座然后将无线信号接收器插入底座。将 USB Type-C 数据线的另一端连接到电脑上的 USB 端口。无线信号接收器与电脑的距离至少应有 45 厘米并且应放在不会移动的位置具体连接如下图所示。完成连接后开始进行配对先要安装STEAM软件在 Windows 系统上打开 SteamVR 应用程序。单击: 设备 配对控制器。在选择您的控制器类型一项中选择HTC Vive 追踪器。长按电源按钮2秒开启定位标签此时定位标签显示常亮蓝灯再次按住电源按钮约 2 秒钟状态指示灯将闪烁蓝色。等待状态指示灯变为绿色。这表示配对已成功。在控制器配对窗口中单击完成。绑定定位器设备cd third_party_lib/libsurvive-master sudo cp ./useful_files/81-vive.rules /etc/udev/rules.d/ sudo udevadm control --reload-rules sudo udevadm trigger # 执行完这步后如电脑上插有无线接收器请将其拔插一遍。定位校准使用定位基站对定位标签进行校准的目的是为了获取定位标签在三维空间的绝对坐标值。定位基站通过发射接收红外光来进行校准。cd libsurvive ./bin/survive-cli显示了定位标签的误差单位/米看到终端输出该信息就可以将校准程序关掉了这里使用CtrlC就能将其关闭。在/root/user/.config/libsurvive下找到config.json将它移动到项目根目录下。数据采集进入项目根目录运行conda activate umi_record python scripts/record/record_umi.py \ --camera-device-id 1 \ --config-path config.json \ --sample-hz 30camera-device-idumi鱼眼相机的相机id可通过⬇️可视化python scripts/vis/vis_opencv_cam.py \ --camera-device 0 \ --camera-width 1080 \ --camera-height 640 \ --camera-fps 30config-pathpysurvive执行校准后的配置文件。可视化轨迹python scripts/vis/vis_hdf5.py data/2026_04_10_2.hdf5 --realtime训练参考scripts/training/TRAIN_UMI_DIFFUSION_POLICY.mdconda activate umi_train_infer nohup python third_party_lib/universal_manipulation_interface-main/train.py \ --config-nametrain_diffusion_unet_timm_umi_workspace \ taskumi_hdf5 \ task.dataset_dir/root/autodl-tmp/data \ hydra.run.dir/root/autodl-tmp/UMI/outputs/umi_hdf5_run1 train_log.log 参考文件dataloaderumi_hdf5_dataset.pyconfig:train_diffusion_unet_timm_umi_workspace.yamlumi_hdf5.yaml推理验证 (用户自己实现)执行下面为在Openarm上部署python scripts/eval/eval_openarm_umi.py \ --input outputs/umi_hdf5_run2/checkpoints/latest.ckpt \ --urdf-path src/kinematics/description/openarm/urdf/openarm_bimanual.urdf \ --camera-device 1 \ --side left \ --robot-id my_openarm_umi_left2 \ --port can1input训练权重urdf-path进行逆解的urdf文件夹camera-device机器人末端相机id示例写在最后UMI ver.2 开源是为了让高精度机器人数据采集不再昂贵、不再复杂。用不到3000元成本、毫米级定位、30分钟部署让每一个开发者、实验室、企业都能快速搭建属于自己的具身智能数据平台。我们将持续迭代优化期待你的 Star、PR 与反馈一起让机器人更懂现实、更会操作项目地址https://github.com/qiongming-intelligence/UMIhttps://gitee.com/QiongMing-Intelligent/UMI