OpenArm：用于基于学习的操作的以数据为中心的机器人平台

OpenArm 不仅被设计为机器人操作平台，而且被设计为 数据原生系统 用于基于学习的机器人技术。 与针对确定性工业自动化而优化的传统机械臂不同，OpenArm 是围绕模仿学习、强化学习、模拟到真实传输和大规模现实世界数据收集的要求而构建的。

系统定位

该系统将数据视为一流的输出以及物理任务执行。 基于学习的机器人技术提出了根本不同的要求：在不同条件下重复执行、探索和失败期间的安全交互、高频同步传感和控制、可再现的轨迹以及模拟与现实世界执行之间的紧密耦合。

数据质量的硬件设计

8 自由度拟人化结构可实现模仿学习的类人冗余、从人类演示到机器人动作的自然映射，并降低策略复杂性。 关节级驱动优先考虑合规性和反向驱动性，这对于安全的人机交互演示和接触丰富的操纵任务至关重要。

数据采集​​架构

OpenArm 支持同步捕获关节状态、控制命令、末端执行器状态和外部传感器（视觉、触觉、力、IMU）。 所有数据流都带有时间戳并在控制循环级别对齐。 数据被组织成具有明确任务初始化、动作执行、接触事件和终止的片段，直接映射到 RL 部署和模仿学习轨迹。

失败作为数据

OpenArm 旨在安全地记录失败的尝试，而不仅仅是成功的记录。 失败轨迹（滑移、误判、碰撞、恢复尝试）是对于稳健的政策学习和泛化至关重要的一流数据。

模拟与真实的对齐

MuJoCo 和 Isaac Sim 中的校准模型反映了运动学、动力学和驱动极限。 模拟和现实世界的数据共享相同的状态定义和一致的动作空间，从而实现混合域训练和交叉验证。