美国研究团队在 arXiv 发布预印本 DexPort，提出一种用于高自由度灵巧手的手持式技能数据采集接口。论文于2026年10月23日提交，属于机器人学与人工智能方向，目前仍是预印本，结论尚未经过正式同行评审。论文原文
DexPort的核心思路是让采集设备与实际部署的机器人手使用相同的手部硬件，从而减少人手动作映射到机器人时产生的“形 embodiment gap”。操作者不必独立控制每根手指，而是通过移动手持设备确定手腕运动，再选择或调整可协调手指动作的技能。设备同时记录目标关节指令和实际关节状态，研究团队随后用行为克隆训练视觉运动策略，并不依赖额外的技能标签。
论文报告称，团队在实验室和非结构化真实环境中采集了2500多条示范，覆盖多物体抓取放置、带工具的拧螺丝、抽屉收纳以及双手扫描四类任务。按照论文给出的实验结果，使用记录的机器人指令而不是单纯状态训练时，任务表现由11%提升至64%；加入真实环境采集数据后，任务成功率由36%提升至78%。这些数字属于作者在特定任务、设备和训练设置下的报告，不能直接外推为所有灵巧操作系统的普遍提升。
这项工作的意义在于把具身智能中的瓶颈从“模型是否足够大”进一步拉回到数据如何低成本、准确且可执行地获得。若手持式接口能够在不搭建完整机械臂的情况下采集具有真实机器人动作含义的数据，可能帮助研究者扩大灵巧操作数据集，并改善从人类示范到机器人控制的转换效率。但其适用范围仍取决于设备对不同手型、物体、接触力和双臂协同任务的覆盖能力，后续还需要更多机器人平台和独立实验验证。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
