DSP框架：用监督式玩耍让机械手自主学会灵巧操作

事件核心：发生了什么

这篇论文试图回答一个具体问题：机器人如何自主收集接触密集的经验，用来学习灵巧操作？DSP 的路径是四步：先让人遥控机械手进行无目标玩耍，用行为克隆训练一个扩散 Transformer 玩耍策略；该策略自主运行，记录观察—动作—下一观察的转移数据；用 Diffusion Forcing 训练一个动作条件世界模型；推理时，玩耍策略提出候选动作片段，世界模型预测结果， MPC 按目标匹配度打分并执行最优片段的前缀，然后重新观察、重新规划。

作者在欠驱动推动和多指手任意姿态重定向任务上做了仿真与真机实验。真机结果中，该方法比 hindsight 行为克隆成功率高出 69.6%，并以少 490 倍的交互数据达到与强化学习相当的成功率。论文页面还提到一次硬件运行：立方体目标误差从 141° 降到 17°，用时 18 秒、2 倍速播放，但作者注明这只是单次示例，不是聚合成功率。

为什么重要

接触密集的灵巧操作长期依赖任务示范、手写探索启发式或安全约束，工程成本高。DSP 的思路是把“怎么玩”和“完成什么目标”拆开：人类只示范无目标的交互，目标只在规划时进入奖励函数。玩耍策略同时充当数据采集器和动作先验，世界模型负责预测后果。与 Play-LMP 等前作相比，DSP 强调用人类玩耍作为种子训练一个持续采集数据的策略，而不是把玩耍当作固定的模仿数据集。如果这一路径可复现，它可能降低多指手操作的数据门槛，并减少对仿真到现实迁移的依赖。

对用户/开发者/创作者的影响

目前公开信息显示，DSP 是论文层面的框架，不是已上线产品。对机器人开发者而言，值得关注的是它把行为克隆、世界模型和 MPC 组合成闭环，且玩耍策略与世界模型都不以目标为条件，目标只用于候选排序。这意味着开发者可能用更少任务示范覆盖多类操作，但需要自己训练扩散策略和动作条件世界模型，算力与数据管线仍是门槛。对关注具身智能的创作者和投资人，可核查的硬数据是 69.6% 的成功率提升和 490 倍交互数据差距，但这些数字限定在论文所述任务与评测条件下，不应外推为通用排名。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

第一，真机实验是否会扩展到更多物体、更多手型和更长任务，并给出聚合成功率而非单次示例。第二，玩耍策略的蒸馏版本能否在闭环内自博弈，降低推理成本。第三，代码、模型权重或数据是否开源；若开源，开发者生态能否复现 490 倍数据效率的优势。第四，是否有竞品跟进“无目标玩耍+世界模型规划”路线。

来源：alphaXiv