DexRobot 的 DexHand 是抓取物體的末端執行器，DexTele 則讓操作者遠端控制機器人，同步記錄觸覺、關節、姿態、影像與深度。兩者結合的重點不是完成一次展示，而是建立「真人示範→同步資料→清理與訓練→策略執行→回收新失敗」的循環。這正是實體 AI（Physical AI）把硬體操作變成可累積學習資產的關鍵；自由度再高，資料循環一旦斷裂，也難以形成精細操作模型。
DexHand 三款機型不是單純的高低階排列
DexRobot 在 Automate 2026 公布 DexHand021 Pro、DexHand021 與 DexHand021 S。依其Automate 2026 發表資料，021 Pro 有22個自由度、50N負載標示、覆蓋整個手掌的多模態感測，以及超過30萬次耐久循環；021有19個自由度、內建23個感測器，採肌腱驅動的欠致動架構；021 S則有8個自由度、重0.6kg，並提供開放式SDK。
規格數字較大，不等於每個工作都更合適。高自由度能形成更多手指姿勢，也會增加控制變數與校正項目。長時間重複簡單抓取時，021或021 S的控制與維護負擔可能較低；研究複雜接觸或工具操作時，021 Pro的感測配置才可能展現優勢。選型應回到物件與所需資料。
| 機型 | 原廠公布配置 | 較適合評估的用途 | 仍須查核的邊界 |
|---|---|---|---|
| DexHand021 Pro | 22 DoF、50N、全掌多模態感測、超過30萬次耐久循環的原廠說法 | 觸覺研究、複雜姿勢、高密度資料收集 | 50N的測試姿勢與方向、感測器校正、獨立耐久驗證 |
| DexHand021 | 19 DoF、23個感測器、肌腱驅動欠致動 | 兼顧工具使用與穩定抓取 | 感測器種類與頻率、肌腱更換及張力管理 |
| DexHand021 S | 8 DoF、0.6kg、開放式SDK | 教學、快速整合、簡單重複工作 | 原廠所稱「主要功能80%」如何依工作定義 |
50N與30萬次循環無法取代物件別成功率
50N是力量單位，不能直接當成5kg酬載。若不知道施力方向、手指組合，以及手腕與機器手臂可承受的負荷，就很難換算成實物重量。超過30萬次的耐久數字也來自原廠發表；採購時仍要追問重複動作的角度、速度、負載、溫度、故障判定，以及能否提供公開測試報告。
現場測試應把容易滑動的塑膠瓶、薄夾鏈袋、會變形的紙箱、有握把的工具分開，因為失敗模式不同。記錄抓取後維持10秒、移動時滑動、放開時沾黏，以及接觸後原點偏移。觸覺訊號的基礎可延伸閱讀機器人觸覺感測器的種類與限制。
DexTele 的核心更像時間同步的記錄設施
DexRobot 將 DexTele 定義為整合遠端操作硬體、力控制人形機器手臂、高自由度靈巧手與專用資料平台的系統。原廠也宣稱可省去機構、電控、通訊、遠端操作演算法與資料管線的二次開發。這不表示它能立即接上所有客戶的機器人與儲存環境，而應視為原廠標準配置範圍內的產品說法。
一段操作學習紀錄同時存在多個時鐘。操作者手部動作、機器人關節角度、指尖力量、觸覺分布、頭部與腕部影像、深度畫面、成敗標籤，都必須指向同一瞬間。只要錯開50ms，影像可能仍在接觸前，力感測器卻已記下衝擊。DexTele是否有價值，不取決於設備數量，而在於時間同步、座標系統對齊、缺漏偵測與中繼資料管理能否重現。
一段遠端操作要經過六步才成為訓練樣本
第一步先定義工作，不能只寫「拿起杯子」，還要列出起始位置、允許的抓法、目標位置、成功判定與中止條件。第二步對齊操作者與機器人座標，校正靈巧手與力感測器原點。第三步收集正常示範，也保存滑動與重試；第四步對齊時間序列與座標，處理個人資料及無關背景。第五步按場地與物件拆分訓練、驗證、測試集；最後執行策略並收集新的失敗。
若同一工作只由一人重複，模型可能連個人習慣也一起學走。應混合熟練度與體型不同的操作者，改變攝影機位置、照明與物件配置。把失敗片段全部刪掉，也會失去學習接觸崩潰後如何返回的機會。遠端操作資料的收集方法進一步說明這套設計。
| 資料步驟 | 應保存的內容 | 常見品質破口 |
|---|---|---|
| 校正 | 設備ID、韌體、座標轉換、感測器原點 | 沒有校正檔就合併不同日期資料 |
| 收集 | 操作者、物件、成功與失敗、人員介入 | 只挑成功影像，讓失敗分布消失 |
| 同步 | 時間戳來源、延遲修正值、遺失畫面 | 影像與觸覺的接觸時點錯開 |
| 清理 | 排除理由、原始檔雜湊、標籤修訂紀錄 | 覆寫原始檔，無法重現與稽核 |
| 訓練切分 | 依場地、物件、操作者分離的規則 | 相同場景同時進入訓練與測試 |
| 執行評估 | 策略版本、成功率、介入率、復原時間 | 只留平均成功率，掩蓋危險失敗 |
觸覺、關節與影像回答的是不同問題
關節資料能說明手指與手臂姿態，卻無法判斷物件是否真的滑動。觸覺與力量能指出接觸，但要知道碰到哪個物件的哪一處，仍需要影像與深度。姿態資料則負責連起靈巧手與物件的空間關係。收集多模態資訊，是為了降低任一來源缺失時的歧義。
儲存量也會快速上升。多部攝影機持續錄製高解析影像與深度畫面，所需容量和頻寬遠高於關節向量。收集前應決定原始檔保留期限、壓縮方式、個人資料遮罩、存取權限與刪除標準。不能因上傳慢就任意降低畫質，否則細小接觸失敗可能消失。較穩妥的做法，是分開保存訓練用轉換資料與可稽核原始檔。
模仿學習不是把資料丟進模型就完成
真人示範可用來訓練ACT等模仿學習策略或VLA模型，但遇到示範未涵蓋的物件、遮蔽、碰撞、損壞零件時，策略仍可能失穩。低訓練損失也不保證實機成功率。評估必須換到獨立場地與新物件，安全限制則留在策略以外的控制層。
機器人模仿學習與強化學習比較可用來理解兩者分工。若DexTele主要提供示範動作，之後如何補足失敗復原與探索仍是另一套設計。策略超出預期範圍時，立即停止或交回遠端操作的條件，也要與學習效能分開驗證。
採購 DexTele 前先把資料權利寫進合約
DexRobot官方新聞與DexRobot官方網站提供產品資訊及聯絡管道，但客戶別價格、交期與資料平台合約無法只靠公開內容確定。研究室或工廠導入時，應明訂原始資料與衍生模型的所有權、外部傳送、遠端支援存取範圍，以及保存與刪除責任。
硬體報價要拆出靈巧手、機器手臂、操作器、攝影機、運算主機、儲存空間、校正工具、備用肌腱與手指模組、軟體授權、教育訓練及到場支援。原廠宣稱「成本為比較產品的5分之1」「保留主要功能80%」，仍須知道比較對象、配置與合約範圍，不能直接當成預算定值。
好的先導案不會首日就大量收集。先選三項代表工作，以50～100段紀錄稽核同步與標籤品質，再檢查兩人處理同一原始檔是否得到相同結果、策略失敗能否追溯至原始畫面。流程錯誤的10萬段紀錄，可能不如可重現的1千段。
資料成本取決於可用率，不是紀錄總量
遠端操作記錄1千次，若因感測器遺失、校正錯誤、違反工作定義或攝影機遮蔽，只剩一半可用，實際單價就會加倍。總紀錄數應與有效比例並列；再按設備、操作者、物件、時段統計排除理由，才能知道先改善哪一種失敗。若特定操作者的排除率高，可能需要訓練；若只有一部腕部攝影機持續遺失畫面，則要檢查通訊或儲存瓶頸。
重收成本不只包含操作時間，也包含物件配置、靈巧手校正、感測器歸零、原始檔上傳、標籤查核與個人資料處理。若訓練後發現標籤錯誤仍能回到原始檔修正，先前的收集成本才不會浪費。若供應商只輸出封閉格式，合約結束後的轉換成本會上升，因此應先取得包含時間戳與座標轉換的原始輸出規格。先導案除「每小時收集數」，也要納入「每段驗收合格紀錄的成本」。
常見問題
DexHand021 Pro 做複雜抓取時一定是最佳選擇嗎？
不一定。複雜觸覺研究可能較有利，但簡單重複工作也可能更適合控制較單純、維護較容易的021或021 S；應依物件和所需資料選擇。
DexTele 是一隻靈巧手的單機產品嗎？
不是。它結合遠端操作器、力控制機器手臂、精密靈巧手與資料平台，用來記錄真人示範及多模態資料。
用 DexTele 收完示範資料，操作模型就能直接上線嗎？
不能。後續還要處理時間同步、座標校正、資料清理、訓練切分、獨立評估與安全控制；失敗場景和人員介入也應保留。
已查核的官方資料
最後查核：2026年8月23日