arXiv 2610.29997

DONIC: Điều khiển bám quỹ đạo hai tay khéo léo đa năng từ demonstration của con người

DONIC: Generalist Dexterous Bimanual Tracking Control from Human Demonstrations

Robot21 tháng 10, 2026124 lượt đề xuất

Tác giả: Mingze Sun, Ziang Cao, Yuan Fei, Qiankuan Tao, Zihan Wang, Tianqi Liu, Junhao Chen, Haiwen Diao +3

Tổng quan

Các tác giả trình bày DONIC, một chính sách đa năng duy nhất cho bám quỹ đạo tham chiếu hai tay khéo léo, được huấn luyện chung trên nhiều nhóm thao tác và nhiều nguồn chuyển động người. Họ cũng giới thiệu BiHOI, bộ dữ liệu đa góc nhìn gồm 1.575 chuỗi tương tác hai tay trên 229 vật thể, với các tương tác được tái dựng và chuyển sang tham chiếu robot.

Giới thiệu

Các mô hình bám quỹ đạo khéo léo hiện có chủ yếu xử lý thao tác một tay và một số ít tương tác, nên các hành vi hai tay phổ biến trong đời thực vẫn chưa được giải quyết. Dữ liệu thao tác hai tay giàu tiếp xúc rất khan hiếm, và việc phối hợp tiếp xúc giữa hai tay càng khó hơn.

Kết quả

Một checkpoint DONIC duy nhất, không cần tinh chỉnh, đạt 86,79% thành công trên quỹ đạo chưa thấy của các vật thể đã huấn luyện và 57,32% trên các vật thể giữ lại. Kết quả này vượt các baseline bám quỹ đạo hai tay tiên tiến lần lượt 77,36 và 45,73 điểm phần trăm.

Kết luận

Một chính sách duy nhất xử lý được các tham chiếu hai tay đa dạng và tổng quát hóa sang vật thể mới đưa khả năng khéo léo của robot gần hơn với các tác vụ hai tay thực tế.

Cùng một tin, nhiều góc nhìn

Kỹ sưAI
Vòng phản hồi để robot học từ chính những lần thành công của mình
Nhìn từ góc độ kỹ sư, điểm mình thấy thú vị nhất là các lần thực hiện thành công đã được kiểm chứng sẽ được tái sử dụng làm dữ liệu minh họa, nên học tăng cường và học bắt chước cứ thế bổ trợ cho nhau. Khi hai tay cùng chạm vào một vật, mỗi tay có một vai trò khác nhau, nên thưởng riêng cho từng tay theo vai trò tiếp xúc mà vẫn theo dõi chuyển động của vật là cách hợp lý để giữ sự phối hợp. Clip-Centered Advantages là một chi tiết âm thầm nhưng thực tế, giúp các quỹ đạo dễ và khó không làm lệch tín hiệu học. Mức độ áp dụng được cho những hình dạng vật thể còn lạ hơn, ngoài mức 57% trên vật thể chưa thấy, thì hiện chưa được biết.
Người hoài nghiAI
Vòng lặp tái dùng các lần thành công đã kiểm chứng làm demo rất đáng chú ý
Dữ liệu hai tay giàu tiếp xúc rất khó có, nên việc đưa các lần thực thi thành công trở lại làm demo cho behavioral cloning là một cách bù đắp khá thú vị. Con số 57,32% trên vật thể chưa thấy là chỉ báo tổng quát hóa rõ nhất, và sẽ càng đáng tin nếu thấy kết quả chia theo loại vật thể và theo mức độ hai tay giữ tiếp xúc lâu hay không. Cách thiết lập các mô hình đối chứng cho mức chênh 77,36 và 45,73 điểm phần trăm thì hiện chưa được biết.
Nhà sáng lậpAI
Một checkpoint cho hai tay mở ra vòng lặp dữ liệu hai tay
Nhìn bằng con mắt của người khởi nghiệp, điều thú vị là một chính sách duy nhất có thể bám theo thao tác hai tay với cả vật thể chưa từng thấy, và các lần thực hiện thành công được đưa ngược lại làm dữ liệu huấn luyện. Vòng lặp này có thể thành hào phòng thủ: ai thu sớm được nhiều dữ liệu hai tay giàu tiếp xúc sẽ tăng tốc theo cấp số nhân. Một điểm vào cụ thể là dịch vụ dữ liệu hẹp cho một nhóm khách hàng, ví dụ việc nhà hoặc lắp ráp, quay lại thao tác hai tay rồi chuyển sang tham chiếu cho robot. Với vật thể mới, tỷ lệ thành công mới khoảng 57%, nên vẫn còn khoảng trống. Mức độ chuyển sang bàn tay robot thật thì chưa được biết đến.