文章核心观点 - 清华大学与北京大学研究团队提出名为DexNDM的新方法，旨在解决灵巧手在真实世界中执行复杂手内物体旋转任务的仿真与现实鸿沟难题 [2][4] - DexNDM通过创新的关节级神经动力学模型和全自动数据采集策略，实现了对各类物体在多种腕部姿态下的通用、稳定旋转，其能力远超现有工作 [5][7][12] - 基于DexNDM强大的原子技能，研究团队构建了一套高灵巧性、高鲁棒性的半自主遥操作系-统，能够完成使用螺丝刀、锤子等复杂工具操作以及长程家具装配任务 [5][21] 技术背景与挑战 - 高灵巧性复杂工具遥操作是机器人领域的核心挑战，传统直接映射方案仅能处理简单抓取任务，无法胜任精细指尖协调的复杂操控 [4] - 手内物体旋转是灵巧手“灵巧性”的集中体现，也是使用大多数工具的前提，但其涉及复杂且快速变化的接触动态，仿真与现实鸿沟巨大 [4] - 以往研究受限于特定场景，如简单物体几何形状、受限物体尺寸或特定手腕姿态，难以形成通用解决方案 [4] 技术亮点与性能突破 - 全场景物体覆盖：首次实现在手掌朝下、侧向等挑战性腕部姿态下，对长条状物体沿长轴的持续稳定旋转，以及对微小物体沿多轴的灵巧转动 [7] - 极广物体覆盖：使用通用的Leap Hand机械手，在旋转复杂几何体时性能相当甚至优于此前最佳工作Visual Dexterity所用的定制化D'Claw机械手 [12] - 全姿态精准操控：对腕部姿态和旋转轴向具有强大适应性，无论机械手处于何种朝向，都能稳定、精确地完成指令 [17] - 高灵巧性遥操作系-统：操作者仅需通过手臂控制机械臂位姿并下达简单指令，系统便能自适应规划并执行精细手指运动，完成如拧螺丝、切菜、锤钉子、写字等复杂工具使用任务 [21] - 高鲁棒性：系统能够胜任对稳定性要求极高的长程装配任务，例如成功完成了为一张桌子安装全部四条桌腿的完整装配流程 [21] 核心技术方法 - 关节级神经动力学模型：将复杂的交互动力学在每个关节进行分解，通过从单关节历史信息中独立预测其自身下一时刻状态，完成全手状态转移预测，此方法具有高数据利用效率和强泛化能力 [24][27] - 自动化数据采集系统（“混乱之盒”）：将机器人手放入装有软球的容器中，以开环方式重放仿真基础策略动作，手与球的相互作用会施加丰富、随机化载荷，整个过程完全自动化且无需人工复位 [28] - 残差策略训练：利用已学习的动力学训练一个残差策略网络，输出校正量以补偿基础策略的动作，从而弥合仿真和真实世界之间的动力学差距 [25][30] 行业意义与前景 - DexNDM在Sim-to-Real这一机器人学核心难题上迈出重要一步，解决了在灵巧操控中学习可靠真实世界动力学模型的难题 [31] - 该技术为真实世界中复杂的交互动力学建模提供了新思路，并为交互数据采集困难昂贵的问题提出了巧妙有效的解法 [25][31] - 研究成果展示了先进Sim-to-Real方法的潜力，为实现机器人在工厂拧螺丝、在家切菜做饭等复杂操作愿景提供了可行的技术路径 [2][5]