Sunday Robotics 数据优先:百次手套迭代后的 Memo 机器人
当 Tesla、Figure 等企业扎堆冲刺双足人形机器人的'跑跳能力'时,Sunday Robotics 走出了一条反直觉的道路。创始人程驰团队花数年时间迭代了 100 次'技能捕捉手套'(UMI),采集百万级人类手部操作数据后,才正式推出轮式服务机器人 Memo。
这种'数据先于硬件'的研发逻辑,彻底颠覆了行业'先造机器人、再通过遥操作或实测收集数据'的传统模式。Sunday 的核心赌注是:服务机器人的核心价值不是'像人一样走路',而是'像人一样灵活操作';而高质量的人类操作数据,才是解决这一瓶颈的关键。2025 年 Memo 的亮相与 2026 年 Beta 计划的公布,证明这场'反套路'研发已进入商业化落地阶段。
核心研发逻辑:'手套 - 数据 - 机器人'闭环
Sunday 的策略本质是通过 UMI 手套构建'人类操作数据→算法训练→机器人硬件适配'的闭环。100 次手套迭代并非盲目试错,而是精准解决数据采集的核心痛点。
1. UMI 技能捕捉手套迭代演进
| 迭代阶段 | 次数范围 | 核心优化目标 | 技术改进 | 数据采集能力提升 |
|---|---|---|---|---|
| 原型验证期 | 1-31 次 | 解决高保真捕捉问题 | 传感器密度从 10 点/指提升至 25 点/指;延迟从 50ms 降至 15ms;重量从 500g 减至 280g | 可捕捉基础抓握、捏取动作,准确率 65% |
| 数据质量提升期 | 32-70 次 | 提升泛化性与精度 | 增加力反馈传感器(压力量程 0-50N);适配不同手型;抗干扰算法优化 | 可捕捉叠衣、摆盘等复杂动作,准确率提升至 88% |
| 量产适配期 | 71-100 次 | 降低成本与故障率 | 传感器国产化替代(成本降 60%);结构优化(故障率 8%→0.5%);增加无线传输模块 | 支持多场景采集,单手套单日可采 5000 条有效轨迹 |
2. 几何匹配设计:数据决定硬件形态
Sunday 的核心创新在于'机器人围绕手套设计'。具体体现在三大维度的精准匹配:
- 自由度(DOF)匹配:UMI 手套捕捉到人类手部完成叠衣、取物需 6 个关键自由度,Memo 灵巧手直接设计为 6 DOF,避免冗余。
- 运动范围匹配:通过采集 1000 名测试者的手部极限数据,Memo 关节运动范围完全复刻这一区间。
- 力反馈匹配:手套记录人类操作不同物体的力度阈值,Memo 集成相同量程传感器,控制算法直接调用力度参数。
程驰在采访中强调:'当我们有了百万级人类操作数据后,机器人的硬件设计就成了'翻译工作'——把人类手部的运动逻辑,精准转化为机械结构的参数。'
3. 效率革命:对比传统遥操作
| 采集模式 | Sunday(UMI 手套) | 传统(遥操作机器人) | 核心优势 |
|---|---|---|---|
| 采集成本 | 单套约 500 美元,可批量部署 | 单台超 10 万美元,一次仅 1 台 |


