综述梳理基础模型时代灵巧机械手五层技术栈
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载综述的范围与组织方式
这篇综述由 Ji Pei 撰写，2026 年 11 月 4 日提交至 arXiv，归类于机器人学、人工智能与计算机视觉。时间跨度从 2024 年 1 月到 2026 年 11 月初，更早的工作被纳入以说明技术源流。作者没有把硬件、表示学习与评测分开讨论，而是把文献归入五个彼此依赖的层次：硬件；数据采集与整理；跨本体迁移；学习与基础模型；评测与应用。人类手物理解与触觉感知被设为两条横切视角，另有系统级架构、对比表格与五个案例分析，用来串联各层的设计取舍。全文 45 页，含 8 幅图与 21 张表。
证据分级的处理
作者特意区分了几类来源：同一研究内部的实验对比、异构语料上的统计数字、厂商给出的规格参数，以及企业自行报告的结果。这一区分意味着，读者在比较不同机械手或策略时，不能把上述数字放在同一尺度上直接排序。作者也说明本文是结构化的叙述性综合，而非汇总式性能排名，也不是穷尽的系统综述，因此它提供的是框架与证据边界，而不是排行榜。
三条结论与证据缺口
第一，人类数据的价值取决于运动学、视觉与接触三个层面的对齐程度，单看录制量并不能说明问题。第二，共享动作表示与基础策略并不能消除本体在力、延迟与接触上的固有约束。第三，任务完成率不足以证明物理正确性，也不足以说明系统已具备部署条件。作者指出，在形态差异较大的机械手之间零样本迁移接触密集型技能、长时间运行的可靠性、跨传感器触觉泛化这三方面，现有证据仍然有限。为此，综述列出十一个开放问题，并提出报告接口与受控对比的做法，让全栈进展更可度量。
为什么值得看
想判断灵巧手数据与基础模型路线是否被高估，这篇综述给出了分层框架与证据边界。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。