探索GR-Dexter：如何用AI驱动的双手动灵巧机器人实现日常操纵

摘要

GR-Dexter是一个硬件-模型-数据框架，用于基于视觉-语言-动作（VLA）模型的双手动灵巧机器人操纵。它包括一个紧凑的21-DoF ByteDexter V2手、VR头盔和手套的直观遥操作系统，以及结合遥操作机器人轨迹、大规模视觉-语言数据、跨体现演示和人类轨迹的训练配方。在真实世界评估中，它在长时序日常操纵和泛化拾取放置任务中表现出色，成功率高达0.97，并在未见物体和指令下保持0.85以上。

想象一下，一个机器人能像人类一样，用灵活的手指拿起化妆品、操作吸尘器，甚至用钳子夹取面包——这不是科幻，而是GR-Dexter技术报告中描述的现实。作为一名长期关注机器人技术的从业者，我常常被问到：“机器人手真的能达到人类水平的灵巧吗？”答案是肯定的，但这需要巧妙的硬件设计、聪明的数据策略和先进的AI模型。今天，我们就来聊聊这份报告，它如何一步步构建出一个能处理复杂日常任务的双手动系统。别担心，我会用简单的话解释这些技术细节，让你感觉像在和朋友聊天。

为什么灵巧手机器人这么重要？

你有没有想过，为什么大多数机器人还停留在简单的夹爪阶段？报告中指出，现有的视觉-语言-动作（VLA）模型已经能让机器人根据语言指令进行长时序操纵，但它们大多局限于夹爪端执行器。转向高自由度（DoF）的灵巧手，能让机器人在杂乱的人类环境中更像人一样操作，比如捏起小物件或协调双手。但挑战巨大：控制空间爆炸式增长，手指和物体间的遮挡增多，还有收集真实机器人数据的成本高企。

GR-Dexter正是针对这些痛点设计的。它不是孤立的模型，而是 holistic 的框架，包括硬件、遥操作系统和训练配方。简单说，它让一个56-DoF的双手动机器人能完成从拾取放置到长时序日常任务的一切。报告用实际实验证明了它的潜力，比如在化妆品整理任务中，成功率高达0.97。

让我们一步步拆解这个系统，从硬件开始。

ByteDexter V2：一个紧凑而强大的21-DoF机器人手

如果你是第一次接触机器人手，可能会问：“DoF是什么意思？”DoF就是自由度，简单讲，就是关节能独立运动的维度。ByteDexter V2手总共有21-DoF，比前代V1多了1个，同时体积更小（高度219mm，宽度108mm）。它采用联动驱动的传动机制，优点是力透明、耐用、易维护。

手指设计细节

  • 四个手指（食指、中指、无名指、小指）：每个手指有4-DoF，包括掌指关节（MCP）的万向节（允许外展-内收和屈曲-伸展）和近端指间关节（PIP）、远端指间关节（DIP）的旋转关节。不同于ILDA手，ByteDexter V2将PIP屈曲与MCP屈曲解耦，每个PIP由专用电机独立驱动。

  • 拇指：有5-DoF，使用万向节模拟人类掌腕关节（CMC）的屈曲-伸展和外展-内收，加上额外的旋转关节。这让拇指的运动范围更大，能与所有四个手指形成稳固的对立接触。报告中提到，它在Kapandji测试中得分10，展示了出色的对立能力。

  • 欠驱动：四个手指的DIP关节和拇指的指间关节（IP）是欠驱动的，通过仿生四杆联动机制与PIP耦合，模仿人类手指的自然运动。

  • 触觉传感：五个指尖覆盖高密度压阻式触觉阵列，能测量正常接触力，提供指尖、指垫和侧面的精细空间分辨率。可视化时，它编码接触位置和力大小，帮助机器人感知物体。

报告还展示了ByteDexter V2的抓握能力：它能执行所有33种Feix抓握类型，从力量抓到精密捏取。这意味着它不只是“抓”，而是能适应各种物体形状。

ByteDexter V2 DoF分布和触觉传感器

如图所示，DoF分布清晰，触觉传感器让手更“敏感”。

双手动系统：从硬件到控制

ByteDexter V2不是孤立的，它安装在两个Franka Research 3臂上，形成一个56-DoF的双手动平台。为了捕捉手-物体交互并减少遮挡，系统部署了四个全局RGB-D相机：一个主自视角和三个第三方视角。

控制方面，有两个关键部分：

  • 双手动遥操作：使用Meta Quest VR头盔、Manus手套（背侧安装Meta Quest控制器）和脚踏板。操作者能同时协调两个臂和两个21-DoF手。人类运动实时重定向到关节位置命令，通过全身控制器确保运动学一致。手运动重定向 formulated as 约束优化问题，结合腕-指尖和拇指-指尖对齐项、碰撞避免约束和正则化，用序列二次规划求解。安全机制处理视觉跟踪丢失和危险操作。

  • 策略 rollout：模型生成未来动作块，促进协调的臂-手运动。参数化轨迹优化器平滑动作，确保精细抓握和块间平滑过渡。

报告强调，这个系统高效、人性化且可靠。经过最小训练，遥操作者能完成从粗糙操纵（如搭积木）到精细任务（如编织）的各种活动。

双手动机器人系统

图中展示了整个设置，包括VR头盔和手套。

通过这个系统，收集数据变得更高效——这是训练VLA模型的关键。

GR-Dexter模型：融合多种数据的VLA powerhouse

现在，我们聊聊“脑子”部分：GR-Dexter模型。它基于Mixture-of-Transformer架构，参数达4B。模型π_θ(a_t | l, o_t, s_t)生成k长度动作块a_t = a_{t:t+k}，条件于语言指令l、观察o_t和机器人状态s_t。每个动作a_t是88维向量，包括：

  • 臂关节动作（每个臂7-DoF）
  • 臂端执行器姿态（每个臂6D）
  • 手关节动作（每个手16个主动DoF）
  • 指尖位置（每个手指3D）

不同于GR-3的二元离散夹爪动作，这里处理连续的高维动作。

训练配方：数据金字塔

训练使用三种数据源的混合：

  • 视觉-语言数据：复用GR-3的数据集，覆盖图像字幕、视觉问答、图像 grounding 和交织 grounded 图像字幕。用于训练VLM骨干，通过下一令牌预测目标。动态混合与机器人轨迹，联合目标是下一令牌预测损失 + 流匹配损失。

  • 跨体现数据：为了克服高DoF平台的遥操作数据收集限制，使用开源双手动数据集：

    • Fourier ActionNet：约140小时，使用Fourier 6-DoF手的多样化人形双手动操纵数据。
    • OpenLoong Baihu：超过10万机器人轨迹，跨多种机器人体现。
    • RoboMIND：10.7万演示轨迹，479个任务，96个物体类。

  • 人类轨迹：超过800小时的自视角视频 + 配对3D手和手指跟踪数据，使用Pico VR设备补充。人类数据提供规模和多样性，但需处理结构差异，通过掩码不可用动作维度。

数据金字塔

如图，这个金字塔从机器人轨迹到人类数据，层层递进。

跨体现运动重定向和转移

转移技能需要对齐视觉几何、运动学和轨迹质量：

  • 跨体现轨迹转移：标准化相机观察，调整图像大小和裁剪，使臂、手和物体尺度相似。严格质量控制，只保留高质量轨迹。通过指尖对齐重定向到ByteDexter V2，按任务类别重采样平衡训练语料库。

  • 人类轨迹转移：过滤基于手可见性和速度。将人类轨迹映射到与机器人数据相同的视觉和运动学表示，无缝集成。

这个配方让GR-Dexter在长时序任务中表现出色。

真实世界实验：从长时序到泛化

报告通过两个任务类别评估：长时序操纵和泛化拾取放置。结果显示，GR-Dexter在域内强劲，在未见场景更鲁棒。

长时序灵巧操纵

焦点是化妆品整理任务：涉及多样形状物体和关节物体（如抽屉）。收集约20小时遥操作轨迹。GR-Dexter与视觉-语言数据共训，比较纯VLA基线（仅机器人数据）。

  • 基本设置：物体布局在训练数据中。纯VLA成功率0.96，GR-Dexter 0.97。共训保留了域内能力。

  • OOD设置：五种未见布局。纯VLA降至0.64，GR-Dexter升至0.89。视觉-语言数据提升泛化。

额外定性结果：

  • 吸尘：四指稳定握持桌面吸尘器，拇指按电源按钮（开/关），再按增功率，然后扫除纸屑。

  • 面包服务：一手持盘，一手用钳子从容器取羊角面包，释放钳子，精确放置面包。

GR-Dexter可靠执行这些任务。

化妆品整理实验设置和结果

泛化拾取放置

使用20个物体训练约20小时轨迹。比较纯VLA、GR-Dexter（无跨体现）和完整GR-Dexter。每个评估批次五物体，固定布局。

  • 基本设置：10个批次Seen物体。纯VLA 0.87，无跨体现GR-Dexter 0.85，完整0.93。跨体现数据提升鲁棒性。

  • 未见物体：23个未见物体，10批次。完整GR-Dexter 0.85。

  • 未见指令：5批次混合物体，未见语言指令。完整GR-Dexter 0.83。

这些结果证明，跨体现和视觉-语言数据让GR-Dexter把握未见物体和解释抽象指令。

拾取放置实验设置和结果

相关工作：灵巧手的演进

灵巧机器人手

近年来，多指灵巧手快速发展，如Allegro、Leap、TriFinger等。商业设计多为6-DoF，少数达12+。SharpaWave有22独立DoF，Shadow手是腱驱动，Apex手21-DoF（16独立）带密集触觉。联动驱动如ILDA和ByteDexter V1有20-DoF（15独立）。ByteDexter V2升级到21-DoF，更紧凑，加指尖触觉。

VLA模型用于灵巧手操纵

VLA如GR-3、OpenVLA等强于指令跟随，但少用于灵巧手。高维控制和数据稀缺是挑战。人类视频预训如VideoDex、MimicPlay转移先验。GR00T N1结合多源数据用于6-DoF手。分层方法如DexGrasp-VLA用VLM规划，低级用DiT或RL执行。GR-Dexter扩展到21-DoF，通过混合训练实现长时序灵巧。

双手动灵巧操纵数据集

大多数数据集焦点单手静态抓握。遥操作如RoboMIND（10.7万轨迹）、OpenLoong Baihu（10万+）。人类轨迹如Ego4D、HOT3D规模大但体现差距大。GR-Dexter统一数据集，结合公共子集、专有遥操作和人类演示，通过标准化管道清洗、重定向。

局限性和结论

局限性

  • 只用几百小时人类轨迹，未充分利用更多自视角数据。
  • 手和臂分开控制，阻碍接触丰富行为协调。

未来：增加预训规模，构建体现无关控制抽象。

结论

GR-Dexter是硬件-模型-数据方法，扩展VLA到高DoF双手动灵巧机器人。ByteDexter V2紧凑拟人，遥操作管道高效。共训遥操作轨迹、视觉-语言、跨体现和人类数据，实现域内强性能和未见鲁棒。结果表明，这条路通向通用灵巧手操纵。

FAQ：你可能有的疑问

机器人手DoF越多越好吗？

不一定。高DoF如21-DoF增加灵活性，但也扩大控制空间。ByteDexter V2平衡了DoF和紧凑性，确保实用。

如何收集数据？

用Meta Quest头盔和Manus手套遥操作，实时重定向人类运动。补充跨体现和人类轨迹，处理差异通过掩码和对齐。

GR-Dexter在未见物体上成功率为什么高？

得益于视觉-语言数据提升泛化和跨体现数据提供多样抓握技能。在拾取放置中，未见物体成功率0.85。

这个系统能用于工业吗？

报告是研究目的，但其耐用联动驱动和触觉传感适合接触丰富任务，如制造。

训练数据怎么混合？

动态批次混合视觉-语言（下一令牌预测）和机器人轨迹（流匹配）。跨体现通过指尖对齐转移。

How-To：理解GR-Dexter的训练过程

想自己模拟类似训练？以下步骤基于报告：

  1. 准备数据源：

    • 视觉-语言：图像字幕等数据集。
    • 跨体现：如Fourier ActionNet的140小时数据。
    • 人类轨迹：800+小时自视角视频 + 3D跟踪。

  2. 预处理：

    • 标准化图像：调整大小、裁剪对齐尺度。
    • 质量控制：过滤低质量轨迹。
    • 重定向：指尖对齐到目标手，掩码不可用维度。

  3. 训练：

    • 用Mixture-of-Transformer架构，4B参数。
    • 联合损失：下一令牌预测 + 流匹配。
    • 动态混合批次。

  4. 评估：

    • rollout 生成动作块，优化平滑。
    • 测试长时序（如化妆整理）和泛化（如未见物体）。

通过这些，你能把握GR-Dexter的核心。