Chapter 6: 사람 손 데이터 수집 — 시연으로 가르치기

개요

로봇에게 조작을 가르치는 가장 직관적인 방법은 인간의 시연(demonstration)을 보여주는 것입니다. 그러나 인간 손의 27 DoF 동작과 촉각 정보를 로봇에 전달하는 것은 근본적인 도전입니다. 이 챕터에서는 인간 손 모델링(MANO [#17]), 모션 트래킹 글로브, 촉각 글로브, 외골격, 원격 조작 시스템을 다루며, "사람에서 로봇으로"의 데이터 파이프라인을 조망합니다.

이 챕터를 읽고 나면... - MANO 손 모델의 구조와 활용을 설명할 수 있습니다. - 주요 모션 트래킹 글로브의 특성을 비교할 수 있습니다. - 촉각 글로브(STAG, OSMO [#18])의 설계와 교차 체현 잠재력을 이해합니다. - 외골격과 원격 조작의 장단점을 파악합니다.

6.1 인간 손 모델: MANO (778 정점, 16 관절)

MANO ^[1]는 1,000개의 3D 스캔으로 학습한 통계적 인간 손 모델입니다 (SIGGRAPH Asia 2017):

• 778 정점(vertices), 16 관절(joints)
• PCA 형상 공간(shape space): 개인 간 손 크기/형태 변이를 저차원으로 표현
• 포즈 블렌드 쉐이프(pose blend shapes): 관절 각도에 따른 피부 변형 모델링
• SMPL 전신 모델과 통합 가능 (SMPL+H)

MANO는 사실상 모든 인간 손 관련 연구의 기초 모델입니다. 손 자세 추정(hand pose estimation), 인간-로봇 리타게팅(retargeting), 촉각 전이(UniTacHand의 MANO UV 맵)에서 핵심 역할을 합니다 (→ Chapter 11.4 참조).

6.2 모션 트래킹 글로브: 신축성 센서에서 상용 제품까지

세미나 2 (Taejoon)는 모션 트래킹 글로브의 현황을 체계적으로 리뷰했습니다.

신축성 액체 금속 센서 글로브 (2024)

Nature Communications^[2]에 발표된 이 글로브는:

• 9개의 eGaIn(유텍틱 갈륨-인듐) 액체 금속 센서
• 9 DoF 추적, 모든 손 크기에 적응 (one-size-fits-all)
• 관절 각도 오차: 4.16°, 손끝 위치 오차: 4.02mm
• 베이지안 보정(Bayesian refinement) + 칼만 필터(Kalman filter)

핵심 논문: Stretchable Liquid-Metal Sensor Glove 2024. Nature Communications. 9개 eGaIn 센서로 모든 손 크기에 적응하는 모션 트래킹 글로브. 4.02mm 손끝 오차는 대부분의 조작 시연에 충분한 정밀도입니다.

상용 글로브 비교

세미나 2는 세 가지 상용 글로브를 비교했습니다:

NVIDIA가 GTC 2026에서 Manus를 Isaac Teleop의 공식 데이터 글로브로 지정한 것은 산업 표준화의 신호입니다.

한국 연구: ML 기반 착용형 센서

Seoul National University의 연구 [2024, PMC]는 ML 기반 착용형 센서로 실시간 손 동작 인식을 구현하여, 실험실과 실용 환경 사이의 격차를 줄이고 있습니다.

6.3 촉각 글로브: STAG, OSMO와 오픈소스 접근

모션 트래킹을 넘어, 인간이 물체를 잡을 때의 촉각 정보까지 수집하는 것이 다음 단계입니다.

STAG (2019)

Sundaram et al. ^[3]의 STAG 글로브 (Nature, 2019):

• 548개 압저항 센서: 인간 손의 압력 분포를 고해상도로 측정
• 파지-손가락 상관관계(grasp-finger correlation) 분석
• 로봇 학습을 위한 촉각 시연 데이터셋 구축의 선구적 사례

Ruppel et al.^[21]은 169개 센서로 축소된 버전을 제안하여, 센서 수와 정보 손실의 트레이드오프를 탐구했습니다.

OSMO 글로브 (2025)

OSMO [arXiv:2512.08920]는 인간과 로봇 손에 동일한 글로브를 사용하는 혁신적 접근입니다:

• 12개 3축 자기 센서: 법선력 + 전단력 동시 측정
• MuMetal 차폐로 외부 자기장 간섭 억제
• 핵심 개념 — Embodiment Bridge: 인간/로봇에 동일 센싱 글로브를 사용하면 교차 체현(cross-embodiment) 문제가 단순화됨
• 오픈소스: 재현 가능한 설계

핵심 논문: OSMO. (2025). "OSMO: Open-Source Multi-axis Tactile Glove." arXiv:2512.08920. 인간과 로봇 손 모두에 사용 가능한 12개 3축 자기 촉각 글로브. 교차 체현 촉각 전이의 새로운 패러다임을 제시합니다.

세미나 2의 핵심 인사이트: 인간/로봇에 동일 센싱 글로브를 사용하면 cross-embodiment 문제 단순화. 인간의 시연에서 촉각 데이터를 수집하고, 같은 글로브를 로봇 손에 장착하여 정책을 학습하면, 촉각 도메인 갭(tactile domain gap)이 제거됩니다 (→ Chapter 11.4 참조).

TacCap 2025

TacCap [arXiv, Mar 2025]은 FBG(Fiber Bragg Grating) 광학 촉각 센서를 손가락 끝 골무(thimble) 형태로 구현한 시스템입니다:

• FBG 광섬유 기반 촉각 센서: 높은 감도와 빠른 응답 속도
• 인간/로봇 양쪽 장착 가능: OSMO와 유사한 교차 체현 접근
• EMI 면역(electromagnetic interference immune): 광학 기반이므로 전자기 간섭에 완전 면역 — MRI 환경이나 강한 전자기장 근처에서도 사용 가능
• 골무 형태로 기존 글로브나 로봇 핑거팁에 쉽게 부착

TacCap은 OSMO의 자기 센서와 보완적인 위치에 있습니다. 자기 센서가 외부 자기장에 취약한 환경에서는 FBG 광학 방식이 대안이 됩니다.

VTDexManip 2025

VTDexManip [ICLR 2025]은 최초의 대규모 visual-tactile 인간 시연 데이터셋입니다:

• 565,000 프레임: 시각(visual)과 촉각(tactile) 정보를 동시에 수집
• 10개 태스크, 182개 물체: 다양한 조작 시나리오를 포괄
• 최초의 visual-tactile 인간 시연 데이터셋: 기존 데이터셋이 시각 또는 촉각 중 하나만 제공한 반면, 두 모달리티를 통합
• 교차 체현 정책 학습을 위한 벤치마크 역할

VTDexManip은 "촉각 글로브로 수집한 시연 데이터를 어떻게 활용할 것인가"에 대한 구체적 답을 제공합니다. 565K 프레임은 대규모 모방 학습(imitation learning)에 충분한 규모입니다.

FSR 최적화 접근

Tang et al.^[5]과 Chen et al.^[5]은 FSR(Force Sensing Resistor) 센서의 최적 배치 문제를 다루어, 제한된 센서 수로 최대 정보를 추출하는 방법을 탐구했습니다. 이는 "고공간 해상도 vs 최적화된 센서 수/위치"의 트레이드오프에 대한 답입니다.

6.4 외골격 접근: DexUMI [#8], ExoStart [#9], DEXOP [#10]

외골격(exoskeleton)은 인간 손에 기계적으로 연결되어 동작을 직접 캡처하는 접근입니다.

DexUMI (2025)

Xu et al.^[5]의 DexUMI는 "인간 손을 범용 인터페이스로":

• 착용형 외골격으로 운동학적 격차(kinematic gap) 해소
• SAM2 인페인팅(inpainting)으로 시각적 격차(visual gap) 해소 — 카메라 이미지에서 인간 손을 지우고 로봇 손으로 대체
• Inspire, XHand에서 86% 성공률
• 원격 조작 대비 3.2배 빠른 데이터 수집

ExoStart (2025)

Si et al.^[5]의 ExoStart는 10회 외골격 시연만으로 다지 조작 정책을 학습합니다:

1. ~10 exoskeleton demos
2. MuJoCo dynamics filtering
3. Auto-curriculum RL
4. ACT vision student
5. Zero-shot real → 7개 태스크 중 6개에서 >50% 성공률

이 파이프라인은 Real-Sim-Real 전이의 대표적 사례입니다 (→ Chapter 10.4 참조).

DEXOP (2025)

Fang et al.^[5]의 DEXOP은 4절 링크(4-bar linkage)로 인간 손가락과 로봇 손가락을 직접 기계적으로 연결합니다:

• 원격 조작 대비 8배 빠른 데이터 수집
• 직접 접촉 피드백(direct contact feedback) 제공
• 51.3% vs 42.5% (원격 조작 대비) 성공률
• DEXOP-12(4 손가락, 12 DOF), DEXOP-9(3 손가락), DEXOP-6(양손 dual-3-finger) 등 다양한 변형 제공

AirExo / AirExo-2 (SJTU, 2024–2025)

AirExo [ICRA 2024]와 AirExo-2 [CoRL 2025]는 Shanghai Jiao Tong University에서 개발한 저비용 패시브 외골격입니다:

• 약 $300의 제작 비용: 3D 프린팅 부품과 저가 센서로 구성
• 패시브 구동(passive): 모터 없이 인간 동작을 직접 기록
• "in-the-wild" 인간 시연 수집: 실험실 밖 일상 환경에서 데이터 수집 가능
• AirExo-2의 핵심 발견: 3분 텔레옵 + in-the-wild 데이터 ≥ 20분 텔레옵 단독 — 값비싼 원격 조작 데이터를 자연 환경 시연으로 대체할 수 있음을 실증
• 팔(arm) + 손(hand)을 모두 커버하는 전신 상지 외골격

AirExo 시리즈는 데이터 수집의 민주화를 보여주는 대표적 사례입니다. $300 외골격으로 수집한 in-the-wild 데이터가 고가의 원격 조작 데이터를 보완하거나 대체할 수 있다는 결과는, 로봇 학습 데이터의 확장성 문제에 새로운 해법을 제시합니다.

ACE (UCSD, CoRL 2024)

ACE [CoRL 2024]는 University of California San Diego에서 개발한 범용 원격 조작 인터페이스입니다:

• Hand-facing camera + 외골격: 손 방향 카메라로 손가락 자세를 추적하고 외골격으로 팔 동작을 캡처
• 단일 시스템으로 다양한 로봇 플랫폼 지원: humanoid, robot arm, gripper, quadruped 모두 텔레옵 가능
• 체현 간 전환이 소프트웨어 수준에서 이루어져 하드웨어 교체 불필요
• 직관적 조작: 인간의 자연스러운 동작이 로봇 동작으로 즉시 매핑

ACE의 핵심 기여는 하나의 인터페이스로 모든 로봇을 조작할 수 있다는 것입니다. 이는 수집한 인간 시연 데이터의 재활용성을 극대화합니다.

NuExo (Nubot Lab, ICRA 2025)

NuExo [ICRA 2025]는 Nubot Lab에서 개발한 능동(active) 외골격 시스템입니다:

• 5.2kg 백팩형 능동 외골격: 모터 구동으로 햅틱 피드백 제공
• 100% 상지 ROM(Range of Motion): 인간 상지의 전체 운동 범위를 제한 없이 캡처
• 2.5mm 나사 조이기 성공: 극도로 정밀한 조작 태스크를 원격으로 수행
• 백팩 형태로 이동성 확보, 다양한 환경에서 사용 가능

NuExo는 패시브 외골격(AirExo)과 반대 방향의 접근입니다. 능동 구동과 햅틱 피드백으로 정밀도의 상한을 끌어올려, 미세 조작(fine manipulation) 시연 수집에 특화되어 있습니다.

HumanoidExo (NUDT, 2025)

HumanoidExo [arXiv, Oct 2025]는 National University of Defense Technology(NUDT)에서 개발한 전신 외골격입니다:

• 경량 외골격 + LiDAR: 외골격으로 상체/팔 동작을, LiDAR로 하체/보행 궤적을 캡처
• 전신 궤적(full-body trajectory) 수집: 상지 조작과 하지 이동을 동시에 기록
• 외골격 데이터만으로 보행 학습: 별도의 보행 시뮬레이션 없이 인간 시연 데이터로 직접 정책 학습
• 휴머노이드 로봇의 전신 원격 조작에 최적화

HumanoidExo는 외골격의 응용 범위를 손/팔에서 전신으로 확장한 사례입니다. 휴머노이드 로봇이 상용화되는 시점에서, 전신 시연 수집 인프라의 중요성이 부각되고 있습니다.

핵심 관점: DexUMI, ExoStart, DEXOP는 각각 다른 방식으로 인간-로봇 격차를 메우지만, 공통적으로 원격 조작의 처리량 병목(~10 demos/hr)을 극복하려는 시도입니다. AirExo는 비용 장벽을, ACE는 플랫폼 호환성을, NuExo는 정밀도를, HumanoidExo는 전신 적용을 해결합니다.

6.5 대규모 데이터: 인터넷 비디오에서 에고센트릭 캡처까지

Shaw et al. [2024, CMU]은 인터넷 비디오에서 인간 손 동작을 추출하고 로봇 핸드로 리타게팅하는 접근을 제안했습니다. 이 접근의 잠재력은 확장성(scalability)에 있습니다 — 인터넷에는 수백만 개의 손 조작 비디오가 있으며, 이를 로봇 학습 데이터로 변환할 수 있다면 원격 조작의 병목을 근본적으로 해결할 수 있습니다.

ImMimic ^[14]은 대규모 인간 궤적(human trajectory)과 소수의 원격 조작 궤적(teleoperation trajectory)을 보간(interpolation)하여 데이터를 증강(augment)합니다. 세미나 1에서 논의된 바와 같이, 이 접근은 비싼 teleop data 대신 human data를 시너지적으로 활용하는 방향을 대표합니다 (→ Chapter 11.2 참조).

DexH2R^[15]은 태스크 지향 인간-로봇 다지 전이(task-oriented human-to-robot dexterous transfer)를 구현하여, 인간 시연의 의도를 로봇 동작으로 매핑합니다.

EgoScale와 2026년 대규모 손 데이터의 전환점

2026년 NVIDIA GEAR의 EgoScale은 이 흐름을 한 단계 더 밀어붙였습니다. EgoScale은 20,000시간 이상의 action-labeled egocentric human video로 VLA를 사전학습하고, 대규모 인간 데이터와 실제 dexterous robot 성능 사이에 log-linear scaling 관계가 있음을 보고했습니다 ^[31]. 중요한 점은 로봇 데이터만 늘리는 것이 아니라, 인간의 일인칭 손 조작 비디오를 재사용 가능한 motor prior로 삼는다는 것입니다.

이 결과는 Chapter 6의 데이터 수집 논지를 바꿉니다. 글로브와 외골격은 여전히 정밀한 손/힘 데이터를 주지만, 모든 태스크를 로봇으로 teleop해서 모을 수는 없습니다. 앞으로의 hand data 전략은 세 층으로 나뉠 가능성이 큽니다.

• 대규모 egocentric video: 손 동작, 물체, 과제 다양성의 motor prior.
• 소량 aligned human-robot data: 로봇 체현과 실제 제어 인터페이스에 맞추는 mid-training.
• tactile/force-rich specialist data: slip, insertion, wiping, cap tightening처럼 접촉 품질이 중요한 제조 스킬.

따라서 EgoScale은 촉각 데이터를 대체하지 않습니다. 오히려 "대규모 손 동작 prior + 적은 양의 촉각/힘 데이터" 조합이 2026년 이후 dexterous manipulation 학습의 현실적 경로임을 보여줍니다.

EgoDex (Apple, 2025)

EgoDex ^[29]는 Apple Vision Pro와 ARKit을 활용한 대규모 에고센트릭(egocentric) 손 조작 데이터셋입니다:

• 829시간, 90M(9,000만) 프레임: 현존 최대 규모의 손 조작 데이터셋
• 194개 태스크: 일상 물체 조작부터 도구 사용까지 광범위한 시나리오
• 30Hz per-finger tracking: ARKit의 손 추적으로 각 손가락의 3D 궤적을 실시간 기록
• 소비자 하드웨어(Apple Vision Pro)로 수집하여 확장성 확보

EgoDex는 인터넷 비디오 접근과 원격 조작 접근 사이의 새로운 중간 지대를 개척합니다. 비디오처럼 대규모이면서도 원격 조작처럼 정확한 3D 손가락 궤적을 제공합니다. 829시간이라는 규모는 기존 로봇 시연 데이터셋을 수십 배 초과하며, Foundation Model 학습에 필요한 데이터 규모에 근접합니다.

6.6 원격 조작: AnyTeleop, DexPilot, Bunny-VisionPro

원격 조작(teleoperation)은 가장 전통적이면서도 데이터 품질이 가장 높은 수집 방법입니다.

AnyTeleop (2023)

Qin et al. [2023, RSS]의 AnyTeleop은 범용 비전 기반 원격 조작 시스템입니다:

• Dex-Retarget: 인간 키포인트를 로봇 관절 위치로 매핑
• 다양한 로봇 핸드와 호환
• 세미나 1에서 논의된 naive 리타게팅의 한계 — 인간과 로봇의 운동학적 차이로 인한 물리적 타당성(physical feasibility) 상실

DexPilot (2020)

Handa & Van Wyk [2020, NVIDIA]의 DexPilot은 맨 손(bare hand)의 깊이 영상(depth image)으로 23-DOA 원격 조작을 구현합니다. 별도 장비 없이 RGB-D 카메라만으로 작동하여 접근성이 높습니다.

Bunny-VisionPro (2024)

Ding et al. [2024, UCSD]은 Apple Vision Pro를 이용한 양손 원격 조작 시스템을 구현하여, 소비자용 하드웨어로 연구급 원격 조작을 달성합니다. 햅틱 피드백을 포함하여 조작자에게 접촉 정보를 되돌려줍니다.

DexCap (2024)

Wang et al. [2024, Stanford]의 DexCap은 휴대용 모션 캡처 시스템으로, 원격 조작 대비 3배 빠른 데이터 수집을 가능하게 하며, 30분 데이터로 정책 학습이 가능합니다.

DOGlove (2025)

Zhang et al. [2025, RSS, arXiv:2502.07730]의 DOGlove는 저비용 오픈소스 햅틱 피드백 글로브입니다:

• 21-DoF 모션 캡처 + 5-DoF 햅틱 포스 피드백: 인간 손의 키네마틱을 충실히 복제
• Shadow Hand, LEAP Hand 등 다양한 다지 로봇에 리타게팅
• 햅틱 피드백으로 원격 조작 중 접촉 정보를 조작자에게 되돌려줌

Feel Robot Feels (2026)

촉각 피드백 어레이 글로브로 햅틱 루프를 완성하여, 조작자가 로봇이 느끼는 접촉을 직접 감지할 수 있습니다.

UMI-FT ^[30]는 이 스펙트럼에서 독특한 위치를 차지합니다: 인간의 손재주를 보존하면서 자연스러운 햅틱 피드백(원격 조작 지연 없음)을 제공하고, CoinFT 센서로 6축 힘/토크 데이터를 수집하며, 야외 환경까지 확장 가능합니다. 수백 명이 로봇이나 훈련된 조작자 없이 매일 시연 데이터를 수집할 수 있습니다. 장치가 로봇의 그리퍼 형태를 모방하므로 체화 격차(embodiment gap)도 작습니다 ^[30].

요약 및 전망

인간 손 데이터 수집은 처리량(throughput)과 데이터 품질(quality)의 트레이드오프 위에 있습니다. 원격 조작은 높은 품질을 제공하지만 ~10 demos/hr로 확장이 어렵고, 인터넷 비디오는 무제한 확장이 가능하지만 동작 라벨과 촉각 정보가 부재합니다. OSMO 글로브의 Embodiment Bridge 접근과 DEXOP의 기계적 직접 결합은 이 트레이드오프의 새로운 해법을 제시합니다.

AirExo의 $300 패시브 외골격과 EgoDex의 829시간 Vision Pro 데이터셋은 데이터 수집의 민주화와 대규모화라는 두 축을 동시에 추진하고 있습니다. 또한 VTDexManip의 565K 프레임 visual-tactile 데이터셋과 TacCap의 EMI-면역 FBG 센서는 촉각 정보를 포함한 시연 수집의 실용화를 앞당기고 있습니다.

NVIDIA Isaac Teleop + MANUS의 산업 표준화, 인터넷 비디오 마이닝의 확장, 그리고 합성 데이터(780K 궤적/11시간)의 촉각 확장이 데이터 병목을 해소할 핵심 방향입니다.

다음 챕터에서는 이렇게 수집된 데이터로 로봇이 조작을 학습하는 방법을 다룹니다 (→ Chapter 8: 접촉 동역학 참조).

6.8 수집 전략: teleop-free, co-training, tactile-rich specialist data

관련 S2 서베이의 Part I/II는 이 챕터의 데이터 수집 논지를 더 명확한 전략으로 만든다. 사람 손 데이터는 단일 범주가 아니다. 스마트글래스 기반 egocentric video, stretchable glove, tactile glove, passive exoskeleton, handheld gripper는 서로 다른 비용과 모달리티를 가진다. 따라서 "대규모 데이터"라는 말만으로는 부족하고, 어떤 데이터를 어떤 역할로 쓸지 나눠야 한다.

가장 유용한 프레임은 세 단계다. 첫째, teleop-free Data B는 태스크 다양성과 인간 전략을 빠르게 모은다. 둘째, 소량의 Data A는 해당 로봇 손이 실제로 실행 가능한 action manifold를 제공한다. 셋째, tactile-rich specialist data는 wiping, insertion, cap tightening, sequential multi-object grasping처럼 힘과 접촉 품질이 성패를 가르는 태스크에서 ceiling을 올린다.

이 프레임은 EgoScale 논지와도 잘 맞는다. 20,000시간급 egocentric video는 손 동작 prior를 만들지만, 촉각과 힘 정보가 없으면 contact-rich 제조 태스크의 마지막 20-30% 실패를 설명하기 어렵다. 반대로 모든 데이터를 촉각 글러브로만 모으면 규모가 제한된다. 현실적인 전략은 대규모 vision-only prior, 중간 규모 human hand/tactile data, 소량 robot executable data를 계층화하는 것이다.

Cosmax형 문제에서는 이 구분이 특히 중요하다. 첫 물체를 든 채 다음 물체를 잡는 sequential multi-object grasping은 teleop-free 비디오만으로는 contact transition의 안전성을 알기 어렵고, 순수 teleop만으로는 충분한 다양성을 모으기 어렵다. 따라서 사람 작업자의 자연 데이터에서 후보 전략을 배우고, 로봇 손에서는 tactile feedback으로 force closure와 slip margin을 검증하는 co-training 구조가 필요하다.

실전 적용 메모

이 장의 핵심은 사람 손 데이터 수집을 하나의 연구 키워드로만 보지 않고, 실제 로봇핸드 시스템에서 어떤 결정을 바꾸는지 묻는 데 있습니다. 실험을 설계할 때는 먼저 관측 가능한 상태를 정해야 합니다. 어떤 센서 값이 contact state, slip margin, force limit, object pose, operator override 중 무엇을 설명하는지 명확하지 않으면, 성공률이 높아도 다음 개선 루프가 막힙니다.

두 번째는 기록 단위입니다. 논문 데모는 성공 장면을 보여주지만, 제조형 연구는 실패를 재현 가능한 record로 남겨야 합니다. attempt id, task phase, hardware configuration, calibration version, tactile summary, policy output, human intervention을 함께 저장해야 다른 장에서 설명한 데이터 표현, 제어, 학습, 전이가 서로 연결됩니다.

마지막으로 이 장의 내용을 적용할 때는 "가장 성능이 좋은 방법"보다 "어떤 실패를 줄이는 방법인가"를 먼저 물어야 합니다. 촉각 로봇핸드의 실용성은 센서, 핸드, 정책, 시뮬레이터가 각각 좋은지보다, 실패 원인을 나누고 다음 실험을 더 싸게 만드는지에서 드러납니다.

참고문헌

1. Romero, J., Tzionas, D., & Black, M. J. (2017). Embodied hands: Modeling and capturing hands and bodies together. SIGGRAPH Asia 2017. scholar
2. Various. (2024). Stretchable liquid-metal sensor glove. Nature Communications. https://doi.org/10.1038/s41467-024-50101-w scholar
3. Sundaram, S., Kellnhofer, P., Li, Y., Zhu, J.-Y., Torralba, A., & Matusik, W. (2019). Learning the signatures of the human grasp using a scalable tactile glove. Nature, 569, 698-702. scholar
4. Ruppel, P., et al. (2024). Reduced tactile sensor array for grasp analysis. Sensors. scholar
5. Yin, J., Qi, H., Wi, Y., Kundu, S., Lambeta, M., Yang, W., Wang, C., Wu, T., Malik, J., & Hellebrekers, T. (2025). OSMO: Open-source tactile glove for human-to-robot skill transfer. arXiv preprint. arXiv:2512.08920. #18 scholar
6. Xu, M., Zhang, H., Hou, Y., Xu, Z., Fan, L., Veloso, M., & Song, S. (2025). DexUMI: Using human hand as the universal manipulation interface for dexterous manipulation. arXiv preprint. arXiv:2505.21864. #8 scholar
7. Si, Z., Qian, K., Sontakke, N., et al. (2025). ExoStart: Efficient learning for dexterous manipulation with sensorized exoskeleton demonstrations. arXiv preprint. arXiv:2506.11775. #9 scholar
8. Fang, H.-S., Romero, B., Xie, Y., Hu, A., Huang, B.-R., Alvarez, J., Kim, M., Margolis, G., Anbarasu, K., Tomizuka, M., Adelson, E., & Agrawal, P. (2025). DEXOP: A device for robotic transfer of dexterous human manipulation. arXiv preprint. arXiv:2509.04441. #10 scholar
9. Qin, Y., et al. (2023). AnyTeleop: A general vision-based dexterous robot hand-arm teleoperation system. RSS 2023. scholar
10. Handa, A., & Van Wyk, K. (2020). DexPilot: Vision-based teleoperation for dexterous manipulation. ICRA 2020. scholar
11. Ding, Z., et al. (2024). Bunny-VisionPro: Real-time bimanual dexterous teleoperation for imitation learning. arXiv preprint. arXiv:2407.03162. scholar
12. Wang, C., et al. (2024). DexCap: Scalable and portable mocap data collection system. RSS 2024. scholar
13. Shaw, K., Bahl, S., & Pathak, D. (2024). Learning dexterity from human hand motion in internet videos. arXiv preprint. arXiv:2212.04498. scholar
14. Liu, Y., et al. (2025). ImMimic: Cross-domain imitation from human videos via mapping and interpolation. arXiv preprint. scholar
15. Li, Y., et al. (2024). DexH2R: Task-oriented dexterous manipulation from human to robots. arXiv preprint. arXiv:2411.04428. scholar
16. Zhang, H., Hu, S., Yuan, Z., & Xu, H. (2025). DOGlove: Dexterous manipulation with a low-cost open-source haptic force feedback glove. RSS 2025. arXiv:2502.07730. scholar
17. Various. (2026). Feel Robot Feels: Tactile feedback array glove for dexterous manipulation. arXiv preprint. arXiv:2603.28542. scholar
18. Murphy, L., et al. (2025). Capacitive tactile sensing for teaching by demonstration. arXiv preprint. scholar
19. Tang, M., et al. (2025). FSR sensor optimization for grasp classification. IEEE Journal of Biomedical and Health Informatics. scholar
20. Chen, H., et al. (2025). Capacitive sensor for lift-risk identification. Applied Ergonomics. scholar
21. Various. (2024). ML-based wearable sensors for real-time hand motion recognition. PMC. (Seoul National University) scholar
22. TacCap. (2025). TacCap: FBG optical tactile sensor thimble for human and robot fingertips. arXiv preprint, Mar 2025. scholar
23. VTDexManip. (2025). VTDexManip: A large-scale visual-tactile dataset for dexterous manipulation from human demonstrations. ICLR 2025. scholar
24. Fang, J., et al. (2024). AirExo: Low-cost exoskeletons for learning whole-arm manipulation in the wild. ICRA 2024. scholar
25. Fang, J., et al. (2025). AirExo-2: Scaling up generalizable manipulation skills via purely kinesthetic demonstrations in the wild. CoRL 2025. scholar
26. Zhao, Q., et al. (2024). ACE: A cross-platform visual-exoskeleton system for low-cost dexterous teleoperation. CoRL 2024. scholar
27. NuExo. (2025). NuExo: A 5.2kg active upper-limb exoskeleton for dexterous teleoperation with 100% ROM. ICRA 2025. scholar
28. HumanoidExo. (2025). HumanoidExo: Lightweight exoskeleton with LiDAR for full-body humanoid teleoperation and locomotion learning. arXiv preprint, Oct 2025. scholar
29. EgoDex. (2025). EgoDex: Learning dexterous manipulation from large-scale egocentric hand data via Apple Vision Pro. Apple, 2025. scholar [Apple, 2025]
30. Choi, H., Hou, Y., Pan, C., Hong, S., Patel, A., Xu, X., Cutkosky, M. R., & Song, S. (2026). In-the-Wild Compliant Manipulation with UMI-FT. arXiv preprint. arXiv:2601.09988. #36 scholar
31. Bansal, A., et al. (2026). EgoScale: Scaling human video to unlock dexterous robot intelligence. NVIDIA GEAR. https://research.nvidia.com/labs/gear/egoscale/ [Bansal et al., 2026] source
32. Um, T. (2026). S2 From Human Hands to Robot Hands: large-scale tactile hand data survey. source [Um, 2026]