类型b：

作者及机构
本文由Zhejiang University（浙江大学）的Gaofeng Li（IEEE会员）、Ruize Wang（IEEE学生会员）、Peisen Xu（IEEE学生会员）、Qi Ye（IEEE会员）和Jiming Chen（IEEE会士）合作完成，发表于IEEE期刊。所有作者均来自浙江大学控制科学与工程学院及浙江省协同感知与自主无人系统重点实验室。

论文主题
本文是一篇综述性论文，题为《The Developments and Challenges Towards Dexterous and Embodied Robotic Manipulation: A Survey》，系统梳理了机器人灵巧操作（dexterous manipulation）领域的发展历程、当前挑战及未来趋势，重点关注多指灵巧手（multi-fingered dexterous hands）的数据采集与技能学习框架。

主要观点与论据

1. 机器人灵巧操作的三个阶段
   论文将机器人操作技术的发展分为三个阶段：
   
   • 机械编程阶段（Mechanical Programming Stage）：以工业机械臂（如Unimate和PUMA560）为代表，依赖预编程控制，缺乏环境感知与适应性，仅适用于结构化环境（如生产线上的抓取-放置任务）。
     
   • 闭环控制阶段（Closed-Loop Control Stage）：引入视觉伺服（visual servo）技术，通过眼在手（eye-in-hand）或眼到手（eye-to-hand）摄像头实现基于特征追踪的闭环控制，提升了任务适应性（如ABB YuMi双臂协作机器人可完成半结构化环境下的装配任务）。但此阶段仍依赖精确的环境或物体建模，难以应对非结构化环境。
     
   • 具身智能操作阶段（Embodied Intelligent Manipulation Stage）：结合多模态传感（视觉、力觉、触觉）实现端到端的“感知-决策-执行”闭环，目标是让机器人适应动态非结构化环境。这是目前实现类人灵巧操作的最有前景的技术路径。
     

*支持证据*：
- 引用Billard与Kragic（2019）的研究，强调灵巧操作是机器人学的核心目标。
- 通过图1展示硬件进展，包括从传统工业机械臂到协作机械臂（collaborative manipulator）、连续体机械臂（continuum manipulator）的演变，以及末端执行器从平行夹爪到多指灵巧手的升级。

1. 多指灵巧手面临的挑战
   论文指出，多指灵巧手的技能学习比简单双指夹爪更复杂，原因包括：
   
   • 高自由度（High DOF）：多指手的关节空间维度高，导致强化学习（Reinforcement Learning, RL）等高维搜索算法难度陡增。
     
   • 复杂接触动力学：多指操作涉及多点接触，力学特性多样（如滑动、滚动摩擦），进一步增加技能学习难度。
     
   • 形态差异：现有灵巧手（如Allegro Hand、Shadow Hand）与人类手部在尺寸和驱动结构上存在显著差异（图4），导致人类演示数据（human demonstration）难以直接迁移，形成“人-机器人鸿沟”（human-to-robot gap）。
     

*支持证据*：
- 引用Liu等（2021）和Mohammed等（2022）的研究，说明高自由度与接触动力学对强化学习的挑战。
- 对比人类手与Allegro Hand、Shadow Hand的形态差异，指出驱动箱体积限制灵巧手工作空间。

1. 数据采集的三大范式
   论文总结了灵巧操作数据采集的三种方法：
   
   • 仿真平台生成数据：如GraspM3数据集（含8152物体的百万级抓取轨迹）和DexGraspNet（Shadow手的133类物体抓取数据）。优势是高效低成本，但存在“仿真-现实鸿沟”（sim-to-real gap），尤其是柔性物体建模不准确。
     
   • 人类演示数据：如Videodex从互联网视频提取人类动作，VTDeXManip通过视觉-触觉融合系统采集数据。优点是真实物理交互，但受限于人-机器人形态差异。
     
   • 遥操作演示数据：如Open-TeleVision通过VR设备映射人类动作，DexCap使用动作捕捉手套。可缓解前两种鸿沟，但现有系统缺乏力/触觉反馈，延迟较高（毫秒级），且多针对双指夹爪。
     

*支持证据*：
- 表1对比各数据采集方法，指出仿真数据规模大但真实性不足，人类数据真实但迁移困难。
- 引用Bahl等（2023）和Liu等（2025）的研究，说明视觉-触觉融合数据的价值。

1. 技能学习的两大框架
   论文将灵巧操作技能学习分为两类：
   
   • 模仿学习（Imitation Learning, IL）：
     
     • *概率建模方法*：如动态运动基元（DMP）、高斯混合回归（GMR），适合简单轨迹复现，但难以处理多模态感知任务。
       
     • *深度学习策略*：如行为克隆（Behavior Cloning, BC）、生成对抗模仿学习（GAIL），依赖静态数据集，无法超越人类演示性能。
       
   • 强化学习（Reinforcement Learning, RL）：
     
     • 主流方法如DAPG（结合专家演示的RL）和Tactile-AIRL（融合触觉信息的RL），可解决复杂操作任务，但样本效率低且探索过程不安全。
       
     • 预训练模型（如RT-X）和语言引导技能组合（如VoxPoser）是新兴趋势，但多指手的组合技能研究仍处于早期。
       

*支持证据*：
- 表2列举IL与RL的代表性方法，如DexH2R通过人类手部运动重定向提升策略泛化性。
- 引用Rajeswaran等（2018）和Zhao等（2024）的研究，说明人类反馈对RL效率的提升。

1. 未来三大趋势
   基于现有挑战，论文提出以下方向：
   
   • 高自由度力触觉遥操作系统：需开发紧密耦合的“人-机器人-环境”交互系统，整合视觉、力觉、触觉反馈。
     
   • 基于人体刚度反馈的技能迁移：通过生理信号（如肌肉刚度）量化人类意图，动态调整学习过程。
     
   • 混合智能系统：结合上层决策模型（如语言引导）与多模态感知，模拟人类“系统1（快速反应）-系统2（深思熟虑）”的认知机制。
     

*支持证据*：
- 引用Lepora（2024）的观点，强调触觉手是未来关键。
- 图5总结挑战与趋势，指出长序列任务（long-horizontal sequential tasks）的分解与组合是突破点。

论文的价值与意义
1. 学术价值：首次系统梳理了从机械编程到具身智能的灵巧操作发展脉络，明确了多指手的数据采集与学习框架的瓶颈，为未来研究提供清晰路线图。
2. 应用价值：多指灵巧手的突破将推动人形机器人执行复杂任务（如医疗、家政），提升生产力并重塑产业格局。
3. 跨学科启示：通过模拟人类手脑协同机制，可促进对脑决策功能的理解，加速强人工智能（Strong AI）的发展。

亮点
- 全面性：涵盖硬件进展、数据范式、学习算法及认知科学交叉视角。
- 前瞻性：提出“混合智能系统”等创新方向，呼应具身智能（Embodied Intelligence）前沿。
- 批判性：指出当前仿真数据与真实场景的鸿沟、静态学习框架的局限性等关键问题。