让机器人手学会“像人一样”操作：Morphometric Imitation打通从动作迁移到零样本部署

导语

人类手部与物体交互，包含了抓取、旋拧、按压和多指协调等丰富信息，是训练灵巧机器人手的天然示范来源。但把人类动作直接“翻译”给机器人，并不是简单的关节角度复制：不同机械手的指长、关节结构和可动范围存在差异，人手与物体的接触也可能因映射误差而丢失；即使姿态看起来相似，机器人仍可能因为动力学约束而无法真正完成动作。

来自加州大学伯克利分校等机构的研究者提出 Morphometric Imitation，试图将这条链路拆解为形态适配、动力学修正和策略学习三个阶段。

核心方法

• 先解决形态差异。 第一阶段称为形态测量优化（MMO）。它不是单纯追踪人手的关节轨迹，而是在不同手部形态之间进行运动学重定向，同时优先保留人类演示中已经形成的手指—物体接触关系。这样可以减少“姿态像了、接触却错了”的问题。
• 再补足动力学可行性。 仅靠运动学优化得到的轨迹未必适合真实机器人执行。第二阶段引入残差强化学习，在运动学参考动作之上进行调整，并使用人类动作中的物体位姿与接触信息作为辅助，使机器人演示更符合动力学和任务约束。
• 最后学习视觉策略。 第三阶段将修正后的机器人演示蒸馏成视觉运动策略，目标是让系统从视觉输入直接产生动作，而不是在部署时依赖完整的人类动作重建流程。

实验结果

论文在三种机器人手和十类人手—物体交互任务上评估了该框架。相较于五种基线中表现最好的方法，MMO 在每一种机器人手上都至少提升了 8 个百分点的接触 F1；在后续动力学重定向中，成功率最高提升 35 个百分点。针对残差强化学习的消融实验还显示，物体位姿信息和接触信息具有互补作用，并非只能依赖其中一种信号。

在真实世界测试中，视觉运动策略进行了 300 次试验，覆盖 30 个物体，零样本成功率达到 89.3%。这里的“零样本”重点体现在策略没有针对真实部署对象进行额外任务训练，说明从人类交互中提取并修正示范，可能为灵巧操作策略提供更高效的数据转换路径。

意义与局限

这项工作的价值不只是提高动作映射精度，而是把“接触保持”和“动力学可执行”放在同一条示范生成链路中。对于机器人学习而言，接触事件往往决定任务是否成功，动力学修正则决定轨迹能否落地；两者结合，有助于缩小人类示范、仿真训练和真实部署之间的间隔。

不过，现有材料主要披露了框架、对比指标和真实测试结果，尚不足以判断其对更多手型、更复杂遮挡或更长时序任务的泛化能力。未来仍需进一步观察该方法对感知误差、接触估计质量及不同机器人硬件的敏感程度。

来源：Hugging Face Daily Papers