一句话看懂：alphaXiv 收录的论文 DexPort 让操作者直接手持机器人灵巧手采集演示数据，再用少量“技能”协调手指动作；在针对四类真实任务的评测中，它的任务成功率最高达到 78%。这值得关注，是因为它试图绕开灵巧操作数据采集中“遥操作太重、人体动作重定向太间接”的老问题。
事件核心：发生了什么
论文页面发布于 2026 年 10 月 23 日。DexPort 的核心硬件是一套可转移模块：五指、20 自由度的 Wuji 手与鱼眼相机刚性固定在一起，采集时对接 Quest 2 手柄，部署时装到机器人手腕上。这样，手部形态以及相机与手之间的几何关系在采集和部署两端都保持不变，从而避免“手部实现差异”。
采集阶段，操作者用手柄指定机器人手腕的运动轨迹，手指则由一组精简的技能来协调：拇指独立定位、四指闭合完成抓握、捏合以及两指抓取，还有一个闭环技能让手指逐步移动，以实现工具在手中的旋转。系统同时记录下发的关节目标值和实测关节状态。作者的一个关键观察是，少量技能足以覆盖较宽的灵巧任务范围。之后用行为克隆，直接基于腕部运动与手部指令训练视觉运动策略，训练不依赖技能标签。作者称已采集超过 2500 条演示，覆盖实验室与非结构化场景。
为什么重要
灵巧操作的数据瓶颈很具体：遥操作能记录可执行的机器人动作，但需要完整的机器人装置，且操作者要同时协调多根手指；人体演示采集容易，却要估计并重定向到机器人，还不直接产生机器人动作。DexPort 的思路是“用同一只手采数据”，并把高自由度手指控制压缩为技能选择，降低采集门槛。
更值得注意的是，论文区分了关节目标与实测状态。在接触物体时，手指可能被挡住而达不到目标位置，两者因此不一致。论文用一个“状态当动作”的基线做对照，仅改变这一项，其他训练配方相同。在按成功率计分的三个任务——不同物体的抓取放置、抽屉收纳、双臂扫描——指令监督策略的最终任务成功率为 64%，基线为 11%；对野外采集数据，任务成功率从 36% 提升到 78%。拧螺丝任务因按保持时长和每分钟转数评估，未计入该平均值。以上结果限于论文所述四类任务与每任务 15 次评估，并非通用排名。
对用户/开发者/创作者的影响
对机器人学习开发者，这提示数据接口设计——尤其是动作标签取“命令”还是“状态”——可能显著影响策略质量，值得在自有采集管线中复现这一对照。对具身智能产品团队，可转移手部模块加低成本采集端，意味着演示数据不必等待完整机器人到位。目前公开信息显示，这仍是论文层面的方法与实验，不是已上线的产品，也没有开放数据集或 SDK 的说明。
值得关注的后续
一是论文是否公开代码、数据或硬件设计，让社区验证 64% 与 78% 的结论；二是技能集扩展到更多接触丰富任务后，是否仍需人工调节；三是这类手持采集方式与现有遥操作方案在成本、数据吞吐上的实际对比。
来源：alphaXiv
