YC F26 團隊 Axonnic 開發一款前臂袖套,透過讀取 EMG 解碼手指動作,並估算指尖施力。它瞄准的並非 VR 應用,而是靈巧機器人的訓練資料。
Axonnic 正在開發一款與一般消費電子產品不太相同的裝置:將前臂包覆於袖套中,由設備讀取肌肉活動,再從訊號中解碼手指動作與指尖力度。
這不是動作捕捉手套。使用者的手保持裸露,袖套只記錄前臂肌肉產生的 EMG 訊號。
團隊在 Launch HN 的開場介紹很直接:
Hi HN! We’re Arsh and Max, founders of Axonnic (YC F26)
Axonnic 是一家 YC F26 公司,由 Arsh 與 Max 創立。目前產品展示的重點,不是將 EMG 導入某款 VR 遊戲,而是蒐集人體運動資料,生成靈巧機器人的訓練資料。
這項產品值得拆解來看。影片動作捕捉能回答「手在哪裡」,但機器人真正缺少的,往往是「手用了多大力」。
袖套讀取的不是動作,而是發力狀態
Axonnic 的前臂袖套藉由讀取肌肉活動,也就是 EMG,解碼手指移動並估算指尖施力。
這與常見的光學手部追蹤有本質差異。
攝影機看見的是手的位置、姿勢與移動軌跡;EMG 捕捉的是前臂肌肉因特定動作而產生的電活動。前者主要記錄結果,後者則嘗試記錄造成結果的一部分生理過程。
簡單來說:
- 手指捏住杯子時,視覺系統知道有幾根手指碰到杯子。
- 同一個動作若施力較輕或較重,EMG 可能留下不同訊號。
- 觸覺或力感測器可以直接測量接觸力,但通常必須將感測器貼在手指或物體上。
Axonnic 將測量位置放在前臂,讓手部保持裸露。使用者不必戴手套,也不必在每根手指上綁定大量感測器。
不過,「估算指尖施力」這個說法仍值得留意。袖套並非直接測量接觸點,而是根據肌肉活動推估輸出。推估精度、延遲與重複性,目前還不能只憑一段 Shorts 示範便下定論。
示範短片:
https://youtube.com/shorts/xBrocTc9cfAWe
純影片會遺失關鍵訓練訊號
Axonnic 的核心判斷是,EMG 比單靠影片更適合用於訓練機器人,因為影片無法直接記錄肌肉活動,也無法呈現動作背後的用力程度。
這項判斷有其實際依據。
假設機器人要學會扭開螺帽,一般影片可能提供:
- 手腕如何旋轉。
- 手指如何接近螺帽。
- 兩指接觸後,手部軌跡如何改變。
但影片很難直接告訴模型:
- 一開始應該施加多大的力。
- 螺紋開始咬合後,輸出是否該下降。
- 打滑時,人是重新調整手指位置,還是增加握力。
- 同一個視覺動作背後,究竟對應多大力度的肌肉收縮。
在視覺模仿學習中,這些缺失通常稱為 underdetermined action。同一段手部軌跡可能對應多種力量分配。若模型只學會軌跡,就可能複製出「看起來正確,實際上卻沒做對」的動作。
EMG 提供的並非完整觸覺。它無法指出指尖具體接觸了哪個物體,也無法直接測出每個關節的接觸壓力,但能為視覺資料增加一條反映肌肉意圖與發力程度的訊號。
對靈巧機器人而言,這條訊號可能比再提高幾毫米的攝影機定位精度更有價值。抓取失敗經常不是手沒有到位,而是時機、夾持力與動作順序出了問題。
產品資料如何進入機器人訓練流程
從產品流程來看,Axonnic 進行的是 human movement recording,再將記錄轉換為 dextrous robots training data。
可以將其視為一條混合資料管線:
EMG 肌肉活動
↓
手指動作解碼 + 指尖力度估算
↓
與人體運動記錄對齊
↓
生成靈巧機器人訓練資料
這條流程真正有價值的地方,不只是某個 EMG 分類模型,而是 EMG 記錄與機器人資料之間的映射方式。
一個可用的訓練樣本至少必須回答幾個問題:
- 人體的哪塊肌肉在何時活躍。
- EMG 變化對應哪個手指動作。
- 估算力度如何與機器人夾爪力量對齊。
- 不同任務中,哪些 EMG 特徵可以遷移。
- 資料如何處理雜訊、漂移與個體差異。
最後兩項尤其棘手。
表面 EMG 通常包含運動串擾。握拳時,前臂其他肌肉也可能出現活動;感測器位置變化、皮膚阻抗、汗液與佩戴鬆緊度,也會改變基線和波形。
換句話說,同一個「捏」的動作,A 使用者與 B 使用者未必產生相同訊號。若資料無法進行個體校準,蒐集規模越大,模型也未必越好。
此外,機器人並沒有完整的前臂肌肉。訓練系統最終需要將人體 EMG 意圖映射至機器人關節力矩、夾爪壓力或觸覺回饋,而不是讓機器人模仿一塊肌肉的電壓。
Axonnic 目前展示的是資料擷取入口。資料如何標註、校準、清洗,以及是否確實提升機器人策略成功率,將是決定產品價值的另一半。
Launch HN 揭露的產品細節
目前能確認的產品細節包括:
- Axonnic 是一家 YC F26 公司。
- 團隊由 Arsh 與 Max 創立。
- 裝置形式為前臂袖套。
- 產品讀取 EMG、解碼手指移動,並估算指尖施力。
- 使用者的手部保持裸露。
- 產品用於記錄人體運動,並為靈巧機器人生成訓練資料。
- Launch HN 已在 Hacker News 首頁發布,並附有 Shorts 示範影片。
原始發布貼文:
https://news.ycombinator.com/item?id=50522776
從這些資訊來看,Axonnic 更像一家機器人資料基礎設施公司,而非單純的 EMG 硬體新創。硬體負責取得訊號,後續的資料生產流程才是產品核心。
它面對的競爭也不只來自其他 EMG 袖套製造商。
- 攝影機成本低、場景覆蓋廣,適合批次蒐集視覺軌跡。
- 動作捕捉手套能直接測量關節角度與指尖接觸,但佩戴較為繁瑣。
- 指尖力感測器更接近真實接觸力,但通常必須逐指綁定。
- EMG 袖套能補足肌肉活動與發力意圖,代價則是訊號含噪,而且存在明顯的個體差異。
真正具競爭力的組合,未必是讓 EMG 取代其他方案,而是將視覺、動作捕捉與 EMG 放在同一條時間軸上。視覺負責幾何資訊,EMG 提供意圖與力度線索,力感測器或觸覺資料則負責校準。
編輯觀察
Axonnic 值得關注的重點,不是 EMG 是否會立即成為機器人的標準輸入,而是它押中了一個明確缺口:影片知道手怎麼動,卻不知道手用了多大力。這個缺口會直接影響抓取、扭轉等任務的訓練品質,採購方也更容易以策略成功率來驗收成果。
我的判斷是,機器人公司更可能採購資料集與蒐集服務,而不是長期依賴單件袖套。若 EMG 只用於動作分類,商業價值有限;一旦能穩定提供力度標籤,並與機器人夾爪力量對齊,它才可能真正進入訓練管線。
這次與過去的 EMG 示範不同,目標不是數位人或 VR 控制,而是直接服務靈巧機器人。驗證標準也會更嚴格:如果成功率沒有提升,再乾淨的波形也只是另一種感測器。
目前仍無法確認 EMG 串擾、跨使用者校準、即時延遲,以及指尖力度估算誤差。發布資料也未公開 benchmark。接下來應觀察三項指標:重複採集的誤差、不同使用者的遷移能力,以及加入 EMG 後策略成功率提升多少。