🤖周六机器人读书会 12：机器人灵巧性
🤖 周六机器人 12｜机器人灵巧性，终于需要一套“标准考试”
@DanielXieee（Origami）分享：Reproducible Robotic Dexterity Benchmarking——从Grasp Taxonomy走向多维度、自动化、可复现的Physical AI评测。
🧠 传统“成功/失败”太粗糙，33种Grasp Taxonomy测的是“会哪些抓法”，不是操作是否流畅。
🔥 GENE-26.5提出5个核心维度：
空间精度 × 时间组合 × 接触丰富度 × 接触协调 × 工具交互
📊 DexBench覆盖18类原子任务，包括抓取、手内重定向、双手重抓、精密插入、拧紧、擦拭、倒液体、布料、绕线、工具使用等。
💡 下一代Benchmark应该：
3D打印/低成本标准化硬件＋计时吞吐量＋人类基线曲线＋零人工评测＋自动成功检测＋恢复记录＋多轴评分。
❗成功率之外，还要测：
空间/时间/接触｜恢复效率｜扰动鲁棒性｜分布外吞吐｜触觉/力曲线｜Sim2Real Gap
🦾 瓶颈可能不是模型，而是Embodiment Gap。
人类5指操作，机器人3指可能直接无法完成部分任务；接触密集操作还需要高密度触觉。人类视频→机器人迁移，真正困难的是运动学、感知、柔顺性与动力学不匹配。
🧠 PhysBrain从人类第一视角视频提取物理常识，3M VQA数据覆盖状态变化、物体交互、长时规划，规划性能提升20%+。
🌍 世界模型进入后训练核心环节：
Oasis 3提供可提示、多视角、闭环、几何感知、Action-conditioned World Model。
RL效果取决于Rollout质量。
Pretraining与Post-training必须一起Scaling。
🚀 多轴评测 × 自动Benchmark × 触觉Embodiment × Physical Commonsense × World Model Rollout × 人类对齐的硬件-数据协同
机器人的Dexterity，不是“能不能完成任务”，而是：能多快、多准、多稳、多柔顺地完成任务。

Robotics PhysicalAI RobotLearning Dexterity WorldModels