A Tendon-Driven Five-Fingered Hand with Distributed Tactile Perception for Dexterous Manipulation
该研究针对人形机器人复杂操作需求,设计了带分布式触觉感知的刚柔混合肌腱驱动五指机械手,通过双模态触觉传感实现接触与力检测,实验验证了其集成驱动-感知系统的可行性。
2026-08-27 cs.AI cs.RO
Dexterous Imitation Made Easy: A Learning-Based Framework for Efficient Dexterous Manipulation
New York University(纽约大学)
优化灵巧操作的行为一直是机器人技术中的一个长期挑战,从基于模型的控制到无模型强化学习的各种方法先前已经在文献中进行了探索。也许学习复杂操作策略的最强大的技术之一是模仿学习。然而,收集和示教学习示范灵巧操作是相当具有挑战性的。多指控制涉及的复杂、高维动作空间通常导致基于学习的方法的低样本效率。在这项工作中,我们提出了“灵巧模仿容易”(DIME)一个新的模仿学习框架灵巧操作。DIME只需要一个RGB摄像头来观察人类操作员并远程操作我们的机器人手。一旦示范收集,DIME采用标准的模仿学习方法,训练灵巧的操作政策。在模拟和真实的机器人基准测试中,我们证明了DIME可用于解决复杂的手操作任务,如“翻转”,“旋转”和“旋转”对象与快板手。我们的框架以及预先收集的演示可在https://nyu-robot-learning.github.io/dime上公开获取。
2022-03-24 cs.AI cs.CV cs.LG
FAR-Dex: Few-shot Data Augmentation and Adaptive Residual Policy Refinement for Dexterous Manipulation
FAR-Dex通过少样本数据增强和自适应残差策略细化,提升机械臂与手的协同精度,实现高成功率的灵巧操作任务。
2026-03-11 cs.AI cs.RO
Solving Challenging Dexterous Manipulation Tasks With Trajectory Optimisation and Reinforcement Learning
Warwick Manufacturing Group, University of Warwick(华威大学华威制造集团);University of Warwick(华威大学)
训练代理自主学习如何使用拟人机器人手有可能导致系统能够在非结构化和不确定的环境中执行多种复杂的操作任务。在这项工作中,我们首先介绍了一套具有挑战性的模拟操作任务,目前的强化学习和轨迹优化技术发现困难。其中包括两个模拟的手必须在彼此之间传递或投掷物体的环境,以及代理必须学习在手指之间旋转一支长笔的环境。然后,我们介绍了一个简单的轨迹优化,在这些环境中执行显着优于现有的方法。最后,在具有挑战性的PenSpin任务中,我们将通过轨迹优化生成的次优演示与离线强化学习相结合,获得了远远超过这两种方法的性能,有效地解决了环境问题。我们所有结果的视频可在以下网站获得:https://dexterous-manipulation.github.io/
2021-05-16 cs.AI cs.RO
Grasp and Motion Planning for Dexterous Manipulation for the Real Robot Challenge
Toyota Technological Institute at Chicago(芝加哥丰田技术研究院);Toyota Technological Institute(丰田技术研究院)
本报告介绍了我们在真实机器人挑战赛(https://real-robot-challenge.com/)中的获奖作品。真正的机器人挑战赛是一个三阶段的灵巧操纵比赛,涉及使用TriFinger平台操纵各种矩形物体。我们的方法结合了运动规划与几个运动基元来操纵对象。对于阶段1和阶段2,我们还在模拟中学习了一个残差策略,该策略在控制器上应用纠正措施。我们的方法在第二阶段和第三阶段的比赛中获得了第一名。我们在比赛排行榜上被匿名称为“ardentstork”(https://real-robot-challenge.com/leader-board)。视频和我们的代码可以在https://github.com/ripl-ttic/real-robot-challenge上找到。
2021-01-08 cs.AI cs.RO
The Developments and Challenges towards Dexterous and Embodied Robotic Manipulation: A Survey
College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院)
该综述总结机器人操作从机械编程到具身智能、从简单夹具到多指灵巧手的演变及挑战,重点介绍当前具身灵巧操作在数据采集与技能学习框架的进展,并讨论三大限制其发展的关键挑战。
2025-11-18 cs.RO
ContactExplorer: Contact Coverage-Guided Exploration for General-Purpose Dexterous Manipulation
School of Computing, National University of Singapore(新加坡国立大学计算机学院);RoboScience(机器人科学)
提出ContactExplorer方法,通过接触覆盖奖励和能量引导奖励,在灵巧操作任务中高效探索接触模式,提升样本效率和成功率。
2026-09-30 cs.AI cs.RO
DexHiL: A Human-in-the-Loop Framework for Vision-Language-Action Model Post-Training in Dexterous Manipulation
CASIA(中国科学院自动化研究所);SJTU(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室)
DexHiL是一种用于灵巧操作中视觉-语言-动作模型后训练的人机协同框架,通过干预意识的数据采样策略和轻量级远程操作界面,显著提升了模型在不同任务中的成功率。
2026-03-10 cs.AI cs.RO
HumanoidGen: Data Generation for Bimanual Dexterous Manipulation via LLM Reasoning
Fudan University(复旦大学);Institute of Artificial Intelligence (TeleAI), China Telecom(人工智能研究所(TeleAI),中国电信);University of Science and Technology of China(中国科学技术大学);East China University of Science and Technology(东华大学)
针对人形机器人双臂灵巧操作缺乏高质量仿真任务与演示数据的问题,提出HumanoidGen框架,结合原子操作、LLM推理与改进蒙特卡洛树搜索自动生成任务与演示,实验验证生成数据可提升扩散策略性能。
2025-11-16 cs.AI cs.RO
DexPBT: Scaling up Dexterous Manipulation for Hand-Arm Systems with Population Based Training
本文提出DexPBT算法,利用去中心化基于种群的训练(PBT)大规模放大深度强化学习的探索能力,使模拟单臂或双臂多指手机器人能学习重新抓取、抓取并投掷等极具挑战性的灵巧操作任务,显著优于常规端到端学习并能发现鲁棒控制策略。
2023-05-20 cs.AI cs.RO
OpenEgo: A Large-Scale Multimodal Egocentric Dataset for Dexterous Manipulation
Department of Computer Science, The University of Texas at Dallas(德克萨斯大学达拉斯分校计算机科学系);Physical Automation, Inc.(Physical Automation 公司)
OpenEgo是一个大规模多模态自我中心操作数据集,含1107小时视频、290个任务,提供标准化手部姿态和动作原语,用于降低灵巧操作模仿学习门槛并支持可复现研究。
2025-09-05 cs.AI cs.CV cs.RO
Dexterous Manipulation Transfer via Progressive Kinematic-Dynamic Alignment
针对多指灵巧手操作数据稀缺问题,提出渐进式运动学-动力学对齐的手型无关迁移框架,可将人手演示视频转换为高质量灵巧操作轨迹,平均迁移成功率达73%,具备强泛化性与可扩展性。
2025-11-14 cs.RO
TypeTele: Releasing Dexterity in Teleoperation by Dexterous Manipulation Types
School of Computer Science and Engineering, Sun Yat-sen University, China(中山大学计算机科学与工程学院);Stanford University, USA(斯坦福大学);Imperial College London, UK(伦敦帝国理工学院)
TypeTele提出类型引导的灵巧遥操作系统,通过引入灵巧操作类型库和MLLM辅助类型检索,使灵巧手突破人类运动模式限制,显著提升多样复杂任务的成功率。
2025-07-02 cs.RO
Planning for Dexterous Ungrasping: Secure Ungrasping through Dexterous Manipulation
The Hong Kong University of Science and Technology(香港科技大学)
本文研究机器人灵巧松持问题,提出可规划最小成本安全运动路径的框架,并发现夹爪手指长度不对称是实现可行、安全松持的关键。
2021-08-31 cs.RO
Dexterous Cable Manipulation: Taxonomy, Multi-Fingered Hand Design, and Long-Horizon Manipulation
University of Edinburgh(爱丁堡大学);EPFL(洛桑联邦理工学院);University of York(约克大学)
本文针对灵巧线缆操作缺乏系统定义与合适硬件的问题,提出了线缆操作任务分类体系,并设计了一种25自由度、具有对称拇指-食指配置和可旋转指尖关节的五指手,同时开发了相应的演示采集流程,以支持长时程线缆操作任务。
2025-02-06 cs.RO
Learning Dexterous Manipulation Using Contact Wrench Guidance From Human Demonstration
NVIDIA(英伟达)
提出CHORD框架,通过物体中心的接触力空间引导,利用人类演示的力和力矩信息增强强化学习,在包含4739个双臂灵巧操作任务的大规模基准上平均成功率82.12%,并泛化到全身操作和真实世界。
2026-11-11 cs.AI cs.CV cs.RO
EigenDEXplore: Structured Exploration for Dexterous Manipulation with Human Priors
Stanford University(斯坦福大学)
针对灵巧操作的高维探索难题,提出EigenDEXplore方法,利用人类运动先验沿特征向量添加相关扰动,在不改变动作空间的情况下提升探索效率,在多种任务和设置中优于现有基线。
2026-10-15 cs.AI cs.RO
Learning Dexterous Manipulation from Suboptimal Experts
DeepMind(深度思维)
在高维状态-动作空间中学习灵巧操作是一个重要的开放式挑战,探索是一个主要的瓶颈。虽然在许多情况下,学习过程可以由演示或其他次优专家指导,但当前用于连续动作空间的RL算法通常无法有效地利用高度偏离策略的专家数据和策略探索数据的组合。作为一种解决方案,我们引入了相对熵Q-Learning(Relative Entropy Q-Learning,简称Q-Learning),这是一种简单的策略迭代算法,结合了成功的离线和传统RL算法的思想。它代表了最佳的政策,通过重要性采样从一个学习的先验知识,是非常适合利用混合数据分布。我们通过实验证明,在机器人操作任务中,次优专家的表现优于几个强基线。我们展示了如何通过组成简单的路点跟踪控制器来有效地构建次优专家,并且我们还展示了如何将学习过的原语与路点控制器相结合,以获得参考行为,从而在模拟的双手机器人上引导复杂的操作任务。最后,我们证明了,ESTA也是有效的一般的政策外RL,离线RL,RL从演示。视频和其他材料可在sites.google.com/view/rlfse上获得。
2021-01-05 cs.AI cs.RO
Dexterous Manipulation Graphs
KTH Royal Institute of Technology(瑞典皇家理工学院);Hong Kong University of Science and Technology(香港科技大学)
我们提出灵巧操作图作为一种工具,以解决在手操作和重新定位机器人的末端执行器内的对象。该图用于规划操纵基元的序列,以便将对象带到所需的结束姿势。该基元序列被转换成机器人的运动,以移动由末端执行器保持的物体。我们使用一个双臂机器人与平行的抓手,以测试我们的方法在一个真实的系统,并成功地规划和执行的手操作。
2018-03-01 cs.RO
Contact Mode Guided Sampling-Based Planning for Quasistatic Dexterous Manipulation in 2D
Carnegie Mellon University(卡内基梅隆大学)
由接触引入的不连续性和多模态使得操纵规划具有挑战性。许多以前的作品避免了这个问题,预先设计了一套高层次的动作原语,如抓和推。然而,这样的运动基元往往不足以描述灵巧的操纵运动。在这项工作中,我们提出了一种方法,灵巧操作规划在一个更原始的水平。其关键思想是使用接触模式,以指导在一个基于抽样的规划框架的搜索。我们的方法可以自动生成接触过渡和准静态假设下的运动轨迹。在实验中,这种方法有时会生成通常预先设计为运动基元的运动,以及更特定于任务的灵巧运动。
2021-05-30 cs.RO
Unified Visual-Tactile-Action Modeling from Human Demonstrations for Dexterous Manipulation
Shanghai Jiao Tong University(上海交通大学);State Key Laboratory of General Artificial Intelligence, BIGAI(北京通用人工智能研究院 通用人工智能全国重点实验室);Sharpa Robotics;Beijing Institute of Technology(北京理工大学)
提出统一视觉-触觉-动作模型,利用人类触觉示教数据提升灵巧操作策略,在五个任务上实现70%平均成功率,显著优于基线。
2026-09-30 cs.AI cs.RO
Soft, Round, High Resolution Tactile Fingertip Sensors for Dexterous Robotic Manipulation
Massachusetts Institute of Technology(麻省理工学院)
高分辨率触觉传感器通常体积庞大,并且具有使它们难以用于操纵的形状轮廓。当使用诸如用于灵巧的多指手的指尖的传感器时,这变得重要,其中方形或平面指尖限制了可用的平滑操纵策略集。高分辨率的光学传感器,如GelSight,由于照明几何形状的限制,到目前为止一直被限制在相对平坦的几何形状。在这里,我们展示了如何构建一个圆形的指尖,利用一种形式的光管道定向照明。我们的传感器可以取代Allegro手的标准圆形指尖。它们可以捕获接触表面的高分辨率地图,并可用于支持各种灵巧的操作任务。
2020-05-18 cs.RO
Dual-Arm In-Hand Manipulation and Regrasping Using Dexterous Manipulation Graphs
KTH Royal Institute of Technology(瑞典皇家理工学院);Yale University(耶鲁大学)
本文主要研究了用平行夹持器对物体进行手内操作和重夹持的问题。我们提出灵巧操作图(DMG)作为一种表示,我们定义规划在手的操作和重握。DMG是一个断开的无向图,表示手指沿着物体表面的可能运动。我们制定的手操纵和重握问题作为一个图形搜索问题,从初始到最终的配置。由此产生的计划是一系列协调的手推和重握运动。我们提出了一个双臂系统的执行顺序,双手可互换使用。我们展示了我们的方法,ABB Yumi机器人的任务与不同的把握重新配置。
2019-05-16 cs.RO
Dexterous Manipulation Based on Prior Dexterous Grasp Pose Knowledge
Shanghai Jiao Tong University(上海交通大学)
提出一种利用先验灵巧抓取位姿知识的强化学习方法,将操作解耦为抓取位姿生成与环境探索两阶段,显著提升了灵巧操作的学习效率与成功率。
2024-12-20 cs.LG cs.RO
Multi-Goal Dexterous Hand Manipulation using Probabilistic Model-based Reinforcement Learning
University of Chinese Academy of Sciences(中国科学院大学);Shenzhen Institutes of Advanced Technology(深圳先进技术研究院)
本文提出目标条件概率模型预测控制(GC-PMPC)方法,通过概率神经网络集成和异步MPC策略解决多目标灵巧手操作问题,在模拟与真实DexHand 021平台上均展现出卓越的学习效率与控制性能。
2025-04-30 cs.AI cs.RO cs.SY
Vegetable Peeling: A Case Study in Constrained Dexterous Manipulation
Massachusetts Institute of Technology(麻省理工学院);Toyota Research Institute(丰田研究所)
针对现有灵巧操作研究较少探索下游应用的问题,本文聚焦食品削皮约束场景,提出一种学习重定向控制器的简单系统,可实现重定向后稳固持物以支持后续削皮任务。
2024-07-10 cs.AI cs.LG cs.RO
Mana: Dexterous Manipulation of Articulated Tools
UC Berkeley(加州大学伯克利分校);CMU(卡内基梅隆大学);Stanford University(斯坦福大学);Amazon FAR(亚马逊FAR)
提出Mana框架,将灵巧操作重解释为动画问题,通过粗到细的流水线自动生成操作轨迹,实现铰接工具的零样本仿真到现实迁移。
2026-06-12 cs.AI cs.CV cs.LG
Bench2Dex: Benchmarking Visuo-Tactile Bimanual Dexterous Manipulation Across Dexterous Hands
提出Bench2Dex仿真基准,统一12种灵巧手的触觉观测格式,含26个双臂任务和1300演示,评估四种策略,为跨手视觉-触觉学习提供平台。
2026-09-15 cs.AI cs.CV cs.RO
Contact Mode Guided Motion Planning for Quasidynamic Dexterous Manipulation in 3D
Carnegie Mellon University(卡内基梅隆大学)
提出了一种基于接触模式的灵巧手三维准静态和准动态刚体运动规划方法。CMGMP算法生成包括连续状态转换和离散接触模式切换的混合运动计划,而不需要预先指定的接触序列或预先设计的运动基元。其核心思想是使用自动枚举的环境对象接触的接触模式,以指导在搜索过程中的树扩展。接触模式自动合成操作基元,而基于采样的规划框架将这些基元排序为连贯的计划。我们在14个3D操作任务上测试了我们的算法,并通过在一个真实的机器人-机械手系统上开环执行一些计划来验证我们的模型
2022-06-03 cs.RO
DexUMI: Using Human Hand as the Universal Manipulation Interface for Dexterous Manipulation
Stanford University(斯坦福大学);Columbia University(哥伦比亚大学);J.P. Morgan AI Research(摩根大通AI研究);Carnegie Mellon University(卡内基梅隆大学);NVIDIA(英伟达)
本研究提出DexUMI数据收集与策略学习框架,通过可穿戴外骨骼的硬件适配和机器人手图像修复的软件适配缩小人机具身差距,实现人手向多类机器人手的灵巧技能迁移,真实实验平均任务成功率达86%。
2025-10-02 cs.RO
HANDFUL: Sequential Grasp-Conditioned Dexterous Manipulation with Resource Awareness
Northwestern University(西北大学);University of Southern California(南加州大学)
本文提出HANDFUL框架,通过资源感知抓取提升多任务操作的灵活性和鲁棒性,结合仿真与现实验证其有效性。
2026-07-08 cs.RO
Modality-Driven Design for Multi-Step Dexterous Manipulation: Insights from Neuroscience
Microsoft(微软);Institute of Science Tokyo(东京科学大学)
受神经科学启发,提出模态驱动的模块化方法,将多步灵巧操作分解为三个子技能,分别用控制器、视觉-语言-动作模型和强化学习策略实现,并在真实机器人上验证可行性。
2024-12-15 cs.AI cs.CV cs.RO
A Minimalist Retargeting-Guided Reinforcement Learning Recipe for Dexterous Manipulation
Cornell University(康奈尔大学);Amazon FAR(亚马逊FAR)
研究如何将重定向引导强化学习用于灵巧操作,提出REGRIND方法,从单人演示学习策略,经重定向、模拟训练、零样本转移到硬件,在丰富接触任务中产生类人行为,还分析了模拟到现实转移的关键因素。
2026-07-14 cs.AI cs.LG cs.RO
Strawberry Robotic Operation Interface: An Open-Source Device for Collecting Dexterous Manipulation Data in Robotic Strawberry Farming
Technological Innovation Center, Zhejiang University, Hangzhou, 311215, China(浙江大学杭州技术创新中心);College of Biosystems Engineering(生物系统工程学院);Food Science, Zhejiang University, Hangzhou, 310058, China(食品科学学院)
本文提出了一种开源设备SROI,用于收集机器人草莓种植中灵巧操作数据,通过模块化末端执行器和立体摄像头实现野外环境下的数据采集,并发布数据集促进相关研究。
2025-01-28 cs.RO
Tilde: Teleoperation for Dexterous In-Hand Manipulation Learning with a DeltaHand
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对灵巧手操作学习难的问题,提出基于DeltaHand软体手和运动学孪生遥操作界面TeleHand的模仿学习系统,采用扩散策略,在七个任务上平均成功率90%。
2024-08-21 cs.RO
Jacta: A Versatile Planner for Learning Dexterous and Whole-body Manipulation
TU Munich(慕尼黑工业大学);Boston Dynamics AI Institute(波士顿动力人工智能研究所)
本文提出灵活运动规划器 Jacta,为强化学习生成可直接使用的演示,从而高效学习灵巧与全身操作策略,并验证其可迁移至真实机器人。
2024-10-26 cs.RO
Circus ANYmal: A Quadruped Learning Dexterous Manipulation with Its Limbs
The University of Tokyo(东京大学);ETH Zürich(苏黎世联邦理工学院)
四足机器人擅长运动任务,但缺乏操纵技能,更不用说灵巧的操纵能力了。受动物行为和多足运动和多指操纵之间的二元性的启发,我们展示了一个四足机器人ANYmal的马戏团球挑战。我们采用无模型强化学习方法来训练深度策略,使机器人能够使用其四肢在没有任何接触测量传感器的情况下稳健地平衡和操纵轻质球。该策略在仿真中进行训练,通过加性噪声对许多物理属性进行随机化,并在操作过程中注入随机干扰力,在不进行任何调整的情况下在真实机器人上实现零触发(zero-shot)部署。在硬件实验中,实现了动态性能的最大旋转速度为15度/秒,和鲁棒恢复下的外部戳。据我们所知,这是第一个工作,演示了灵巧的动态操纵一个真正的四足机器人。
2020-12-10 cs.RO
Interactive Imitation Learning for Dexterous Robotic Manipulation: Challenges and Perspectives -- A Survey
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
本文综述了交互模仿学习在灵巧机械手操作中的挑战与前景,探讨了该方法在提升机器人灵巧操作能力方面的潜力与改进方向。
2025-08-11 cs.LG cs.RO
MAPLE: Encoding Dexterous Robotic Manipulation Priors Learned From Egocentric Videos
ETH Zürich(苏黎世联邦理工学院);Mimic Robotics(Mimic机器人公司);Microsoft Research(微软研究院)
MAPLE通过从第一人称视频中学习的先验知识,提升灵巧机器人操作任务的策略学习,有效应对复杂精细的操作需求。
2025-12-08 cs.CV cs.RO
DexJoCo: A Benchmark and Toolkit for Task-Oriented Dexterous Manipulation on MuJoCo
NLPR & MAIS, CASIA(中国科学院南京自动化研究所与模式识别与人工智能实验室);SJTU(上海交通大学);MBZUAI(马克斯·普朗克研究所);Beijing Institute of Basic Medical Sciences(北京基础医学研究所);PKU & Galbot(北京大学与Galbot);CUHK(香港大学)
本文提出DexJoCo基准和工具包,包含11个功能任务评估灵巧手的工具使用、双臂协调、长周期执行和推理能力,通过低成本数据收集系统和领域随机化评估鲁棒性,揭示当前策略的局限性。
2026-09-23 cs.RO
STAR: Sparse Tactile Representation Learning in Vision-Tactile-Language-Action Models for Dexterous Manipulation
Shanghai Innovation Institute(上海创新研究院);Agibot(智元机器人)
针对灵巧操作中触觉信号稀疏的挑战,本文构建200小时双臂数据集并提出STAR训练方案,通过联合预训练与稀疏表示,在真实任务中达到61%平均成功率。
2026-09-21 cs.RO
TactiDex: A Real-World Tactile-Guided Benchmark for Human-Like Dexterous Manipulation
Shanghaitech University(上海科技大学);InstAdapt(自适应研究所)
研究针对当前人到机器人灵巧转移管道依赖运动轨迹缺乏物理交互的问题,引入TactiDex基准,提出触觉驱动转移框架及TactiSkill,经实验证明其在操作成功率和物理逼真度上表现出色,为触觉感知灵巧操作奠定基础。
2026-07-13 cs.RO
RoboDexVLM: Visual Language Model-Enabled Task Planning and Motion Control for Dexterous Robot Manipulation
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出RoboDexVLM框架,结合VLM任务规划与语言引导的零样本灵巧抓取算法,解决长程复杂操作任务,实现开放词汇的灵巧机器人操作。
2025-03-03 cs.RO
EaDex: A Cross-Embodiment Dexterous Manipulation Framework from Low-Cost Demonstrations
Faculty of Robot Science and Engineering, Northeastern University(机器人科学与工程学院,东北大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(深圳先进技术研究所,中国科学院);School of Automation, Nanjing University of Information Science and Technology(自动化学院,南京信息科学技术大学)
提出EaDex框架,通过RGB-D相机捕捉人手运动并构建结构化演示数据,结合基于接触奖励的动态演示退火机制,在低成本演示条件下实现多形态灵巧操作的快速学习和训练。
2026-06-02 cs.RO
DexFormer: Cross-Embodied Dexterous Manipulation via History-Conditioned Transformer
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Wuhan University(武汉大学)
DexFormer通过历史条件化的Transformer实现跨具身体验的灵巧操作,能够适应不同手型并实现零样本迁移。
2026-02-09 cs.RO
DexterCap: An Affordable and Automated System for Capturing Dexterous Hand-Object Manipulation
Peking University(北京大学);School of Computer Science, Peking University(北京大学计算机学院);Tencent Robotics X(腾讯机器人实验室)
DexterCap是一种低成本的自动化手部物体操作捕捉系统,通过字符编码标记和自动重建流程,实现稳健的跟踪和细粒度手部-物体交互数据集DexterHand的构建。
2026-02-12 cs.AI cs.GR cs.RO
DexCompose: Reusing Dexterous Policies for Multi-Task Manipulation with a Single Hand
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
提出DexCompose框架,通过手指级动作所有权和双残差模块,解决灵巧操作中多任务组合时的冲突问题,在16个复合任务上平均成功率达77.4%。
2026-06-29 cs.AI cs.CV cs.LG
Sequential Dexterity: Chaining Dexterous Policies for Long-Horizon Manipulation
Stanford University(斯坦福大学)
提出序列灵巧性系统,通过链式灵巧策略和过渡可行性函数,解决长时程操作任务,实现仿真到真实的零样本迁移。
2023-10-16 cs.AI cs.LG cs.RO
A Dexterous and Compliant Gripper With Soft Hydraulic Actuation for Microgravity Manipulation
Aerospace Engineering Program, University of California, Berkeley(加州大学伯克利分校航空航天工程系);Department of Mechanical Engineering, University of California, Berkeley(加州大学伯克利分校机械工程系);Department of Mechanical Engineering, National University of Singapore(新加坡国立大学机械工程系)
本文提出将DexCoHand灵活的双指六自由度机械手与Astrobee自由飞行机器人集成,以实现微重力环境下的灵活操作,该机械手在保持稳定接触的同时减少了对自由飞行基底的干扰,提高了操作的连续性和适应性。
2026-05-18 cs.RO
CoorDex: Coordinating Body and Hand Priors for Continuous Dexterous Humanoid Loco-Manipulation
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of California, Berkeley(加利福尼亚大学伯克利分校)
提出CoorDex学习框架,通过将高维身体和灵巧手控制转化为协调的潜在残差控制,实现类人机器人在运动中执行灵巧操作,如不停顿抓取瓶子、移动中开冰箱门等。
2026-06-23 cs.AI cs.LG cs.RO
Dexterous In-hand Manipulation by Guiding Exploration with Simple Sub-skill Controllers
Columbia University(哥伦比亚大学)
针对灵巧手内操作强化学习样本效率低的问题,本文提出利用领域知识构建简单子技能控制器,并通过其动作引导探索相关状态空间,首次无需探索性重置分布即学会手指步态技能。
2023-09-26 cs.AI cs.RO cs.SY
Local Trajectory Stabilization for Dexterous Manipulation via Piecewise Affine Approximations
Massachusetts Institute of Technology(麻省理工学院)
我们提出了一个基于模型的方法来设计灵巧机器人操作的反馈策略。针对一类非光滑非线性系统,将操纵问题转化为从初始状态到达目标区域的问题。首先,我们使用轨迹优化来找到一个可行的轨迹。接下来,我们将轨迹周围的局部多接触动力学表征为分段仿射系统,并使用多面体围绕标称轨迹的线性化构建漏斗。我们证明了在线性化附近的反馈控制器是保证驱动非线性系统的目标区域。在在线执行期间,我们求解线性规划来跟踪系统轨迹。我们在硬件上验证了算法,表明即使在大的外部干扰下,控制器也能够完成任务。
2020-05-21 cs.RO
DexDLO: Learning Goal-Conditioned Dexterous Policy for Dynamic Manipulation of Deformable Linear Objects
University of Edinburgh(爱丁堡大学);University of York(约克大学)
DexDLO提出一种无模型端到端框架,利用固定底座灵巧手学习可变形线性物体的目标条件动态操作策略,在Mujoco中统一参数高效完成五种操作任务,并深入分析策略与奖励设计。
2023-12-23 cs.LG cs.RO
DexMachina: Functional Retargeting for Bimanual Dexterous Manipulation
Stanford University(斯坦福大学);NVIDIA(英伟达)
针对包含铰接物体的长时程双手灵巧操作任务,提出基于课程学习的DexMachina算法,利用强度衰减的虚拟控制器引导策略接管控制,并发布仿真基准,显著超越基线方法且支持硬件设计比较。
2025-05-30 cs.AI cs.LG cs.RO