内容摘要
机器人学的新任务常靠人类先做示范。UMI（通用操作接口）让专家用手持夹爪示范，无需遥操作真机；但把这类示范当训练数据，仍需一致的硬件、标定与数据处理。UMI-Live 是作者提出的全栈开源双臂方案，硬件、软件、数据集与真机评测一并发布。
每只夹爪集成相机与 LiDAR–惯性传感、板载算力与存储、可拆卸电源，采集不需外部追踪设备或环境标定；一个按钮启停录制，片段录完自动上传服务器，后台并行做 SLAM（定位与建图）重建、钳口开度估计、校验与数据集准备，操作者可边录边等。作者重做夹爪机构，以带轴承支撑的扳机驱动扇形齿轮沿直线导轨开合，并在活动指座贴 ArUco 标记测开度。
论文规格：含电池单只 1.42 kg、宽 80 mm、续航 1.5 小时、一对 $1,930；传感为 RoboSense Airy 激光雷达（内置 IMU）、全局快门广角 USB 相机与树莓派 5，相机 800 × 600 像素、30 fps。真机验证在双 YAM 臂上把六个橙子放进碗里，六个全入碗才算成功，每条件十次试验：π0.5 在 95/5 与 90/10 混合微调下分别成功 9/10 与 10/10，MolmoAct2 在 75/25 下 8/10，其公开检查点为 0/10。发布约 40 小时、3,255 条双臂片段（放橙子、倒水、叠毛巾）；手持演示采自与评测不同的地点和光照，少量遥操作数据来自目标机器人与场景。
点评
对做机器人本体软件与部署的工程师，UMI-Live 的价值在于把“人拿着夹爪在野外演示”到“机器人复现该动作”之间的中间环节做成公开可复现的工程件：采集不依赖现场机器人或外部追踪设备，录完自动产出可直接训练的数据集，采集与数据处理并行。要看清结果条件：成功数字来自“手持演示为主 + 少量目标机器人遥操作数据”的混合微调，而手持演示又采自与评测不同的地点和光照，因此它说明这类演示可以配合少量目标环境数据使用，不能据此推断纯手持数据就足以训出可部署的策略。
作者自述：设备仍需一次性相机与夹爪标定；LiDAR–惯性重建质量取决于场景几何与运动；集成传感、算力、存储与电源使单只质量增至 1.42 kg。机器人评测只覆盖一个任务、每条件十次试验、每条件一个训练随机种子，且没有纯 UMI 与纯遥操作对照，无法分离两路数据各自的贡献；轨迹精度、处理延迟与吞吐、长时间采集的操作效率，以及更多任务、随机种子与数据混合下的策略表现均未测量。表 1 中的质量、尺寸、续航与成本是论文给出的规格数值，本次材料中未见独立第三方复现或采购验证。本条依据作者论文自述（arXiv v1 全文与摘要）；arXiv 为滚动发布页，v1 内容可能在后续版本修订，结论以最终版本为准。
版本与核查范围
版本 2610.39385v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#S1.p4.1；#S3.SS1.SSS0.Px2.p1.1；#S3.SS1.SSS0.Px4.p1.1；#S3.T1.2；#S5.p1.1；#S4.SS1.p1.1；#S4.SS3.p1.1；#S4.SS3.p2.fig1.1；#A4.p1.1；#S6.p1.1；#S7.p2.1