HuTact：从人类手物交互数据学习触觉感知手部表征
Yu 等人提出 HuTact 框架，从大规模人类手物交互数据预训练触觉感知手部表征，预训练阶段不需要真实触觉信号。该方法把从人手运动中学到的交互结构迁移到机器人触觉观测，并可用少量无标注机器人交互数据进一步适配。
推荐理由：论文提出用人类手物交互数据预训练触觉表征，并给出抓取预测在少样本下的对比数字，可供触觉学习数据来源参考。
技术方向
灵巧操作 最新动态
与机器人感知、决策和物理交互直接相关的灵巧操作进展
29 条精选近 30 天 29 条共收录 41 条
更新
精选归档 · 第 2 页
arXiv · cs.RO精选AI 评分6262 arXiv · cs.RO精选AI 评分6767 EmbodyHOI：面向人形灵巧操作的具身感知手物交互生成
EmbodyHOI 在冻结的流匹配手物交互轨迹生成器采样循环中嵌入针对特定人形本体的可微逆运动学求解器，把本体可达性约束加入生成过程。在 ARCTIC 轨迹上，该方法把 Unitree G1 与 H1-2 的重定向腕部误差从 8.9 cm 降到 0.6 cm，同时保持文本到手物交互的生成质量。
推荐理由：论文把机器人可达性约束放进 HOI 轨迹生成采样过程，并给出 G1 与 H1-2 的实机前仿真对比数据。
arXiv · cs.RO精选AI 评分7575 HandsOn：面向可泛化灵巧操作的大规模仿真基准
HandsOn 是一个面向跨本体灵巧操作的组合式仿真平台与基准，支持五种机械臂、六种灵巧手和约200个刚体、铰接与可变形资产，并配有18000条人工演示和66个经人工核验的任务。
推荐理由：该预印本给出跨本体灵巧操作仿真基准的规模与任务划分，并列出多类策略在Core-50上的成功率对比。
arXiv · cs.RO精选AI 评分7171 DexOAK：面向机器人手部参考的物体感知运动学重定向框架
DexOAK 是一个基于学习的物体感知运动学重定向框架，可从人体动作捕捉数据生成接触一致的机器人手部参考。它先在手-物联合图上最小化交互图拉普拉斯目标，再训练以人体关键点和物体点云为条件的前馈网络，并用接触、非穿透和自碰撞损失微调，训练后仅靠推理即可迁移到未见数据。
推荐理由：论文给出物体感知的运动学重定向方法，并报告双手任务成功率与实机开环回放结果，可供灵巧操作数据生成参考。
arXiv · cs.RO精选AI 评分6060 LEAP Hand 两种指型布局的触觉手中旋转对比研究
研究对比了两种 LEAP Hand 指型布局（拟人与对称）在连续手中物体旋转任务中的表现，两版手均集成 TacTip 视觉触觉传感器并共用同一强化学习框架。仿真中，完整触觉观测相比仅本体感知使每回合平均归一化旋转量在拟人手提升 94.8%、对称手提升 66.9%，且回合更长、平均指尖总载荷更低。硬件实验中，对称手平均旋转次数高 32.0%、总旋转速率高 25.8%，平均指尖总载荷低 19.9%。
推荐理由：研究在仿真与实机上对比两种 LEAP Hand 指型布局，量化触觉观测与手指排布对旋转进度和指尖受力的影响。
arXiv · cs.RO精选AI 评分7272 BiDex-100：覆盖100余项仿真任务的双臂灵巧操作基准
BiDex-100 是一个面向双臂灵巧操作的仿真基准，包含106项任务，按泛化、指令跟随、少演示、长时程和记忆五个能力维度组织。每项任务配有受控视觉与空间变化的域外变体，用于评估鲁棒性；基准支持两种本体，提供8,080条经成功验证的遥操作演示，共625万帧。作者在统一协议下评测了七个近期视觉-语言-动作模型，给出各能力维度、鲁棒性和数据效率的基线结果。
推荐理由：该预印本给出106项双臂灵巧操作仿真任务与7个VLA模型的统一评测基线，可用于比较现有模型的能力与鲁棒性。
arXiv · cs.RO精选AI 评分6969 T(R,O) Grasp++：面向杂乱环境的跨本体灵巧抓取基准与扩散框架
作者提出 T(R,O) Grasp++，一个面向杂乱环境的跨本体灵巧抓取合成扩散框架，并构建约 0.5B 条抓取标注、覆盖八种灵巧手和约 5 万物体的仿真基准。实验称该模型在八种灵巧本体上平均成功率达 88%，推理时延仅 0.3s，推理样本效率提升 10 倍以上。该工作为预印本，结果基于仿真实验。
推荐理由：论文给出约5亿条抓取标注的仿真基准与跨八种灵巧手的扩散抓取框架，可用于比较杂乱场景抓取方法。
arXiv · cs.RO精选AI 评分7878 DexGraspFlow：融合运动学拓扑的跨本体灵巧抓取生成框架
DexGraspFlow 提出一种条件式连杆级 SE(3) 流匹配框架，将几何关系与运动学拓扑结合用于跨本体灵巧抓取生成。该方法在三种机器人手、30 组物体-手配对上的平均仿真成功率为 95.33%，含逆运动学的平均生成延迟比一个先进基线低约 49%。作者还报告了对七种去指变体的零样本适应与手掌朝向控制，并在部署手型的 100 次实机抓取试验中取得 91% 成功率。
推荐理由：论文把运动学拓扑引入跨本体灵巧抓取生成，并给出三种手、30 组手物配对的仿真结果与实机试验。
Boston Dynamics Blog精选AI 评分7272 
Boston Dynamics 发布 Atlas 新一代 13 自由度机械手
Boston Dynamics 发布 Atlas 机器人新一代手部，自由度从上一代 GR2 的 7 个提升到 GR3 的 13 个，采用四指设计并取消小指。新手指尖和手掌覆盖密集压力触觉传感器，尺寸接近偏大的人手，强度与上一代相当，可搬运装载 100lb 以上的迷你冰箱。
推荐理由：Atlas 新一代手把自由度、可仿真性和工具使用能力放在同一套设计取舍里，可与上一代七自由度手直接对照。