H-RDT人類的“本能”，機(jī)器人的“捷徑利用人類數(shù)據(jù)增強(qiáng)機(jī)器人操作能力

近年來(lái)，機(jī)器人操作領(lǐng)域的VLA模型普遍基于跨本體機(jī)器人數(shù)據(jù)集預(yù)訓(xùn)練，這類方法存在兩大局限：不同機(jī)器人本體和動(dòng)作空間的差異導(dǎo)致統(tǒng)一訓(xùn)練困難；現(xiàn)有大規(guī)模機(jī)器人演示數(shù)據(jù)稀缺且質(zhì)量參差不齊。得益于近年來(lái)VR/AR頭顯和3D視覺技術(shù)的顯著進(jìn)步，當(dāng)前只需極低成本即可采集大量帶有精確人手關(guān)節(jié)標(biāo)注的第一人稱人類操作視頻。

為此，我們提出基于大規(guī)模人類操作數(shù)據(jù)預(yù)訓(xùn)練的VLA模型H-RDT(Human to Robotics Diffusion Transformer)。實(shí)驗(yàn)表明，H-RDT在仿真和真實(shí)場(chǎng)景中的多種本體上表現(xiàn)優(yōu)異，對(duì)比主流VLA模型具有明顯優(yōu)勢(shì)。H-RDT模型曾參加CVPR 2025 RoboTwin雙臂機(jī)器人比賽獲真機(jī)賽冠軍和仿真賽亞軍。

? 論文題目：

H-RDT: Human Manipulation Enhanced Bimanual Robotic Manipulation

?論文鏈接：

https://arxiv.org/abs/2507.23523

?項(xiàng)目主頁(yè)：

https://embodiedfoundation.github.io/hrdt

H-RDT 架構(gòu)

H-RDT是一個(gè)具有20億參數(shù)的擴(kuò)散Transformer，使用流匹配來(lái)建模雙臂機(jī)器人的復(fù)雜動(dòng)作分布。H-RDT采用兩階段訓(xùn)練范式：1）在大規(guī)模第一人稱人類數(shù)據(jù)上預(yù)訓(xùn)練；2）通過(guò)模塊化動(dòng)作編解碼器在機(jī)器人數(shù)據(jù)上進(jìn)行微調(diào)，實(shí)現(xiàn)跨本體遷移。

人類動(dòng)作表征設(shè)計(jì)

我們采用較為精細(xì)的3D手部姿態(tài)表示方法，將動(dòng)作編碼為緊湊的48維向量，以捕捉關(guān)鍵的雙手靈巧操作信息：

雙手手腕位姿 (Bilateral Wrist Pose) ：

（1）左右手的3D位置（3×2）與6D姿態(tài)（6×2），共計(jì)18維；

（2）與機(jī)器人控制中的末端執(zhí)行器 (End-Effector) 控制參數(shù)對(duì)齊；

十個(gè)手指的指尖位置 (Fingertip Position) ：

（1）每個(gè)手五根手指，各提取一個(gè)三維坐標(biāo)，總共10×3=30維；

（2）用于表達(dá)手指張合、握持形態(tài)等細(xì)粒度操作意圖。

總計(jì)：18（手腕）+30（指尖）=48維動(dòng)作表示

這種表征策略的優(yōu)勢(shì)體現(xiàn)在三個(gè)方面：

（1）動(dòng)作通用性強(qiáng)：該表示可以視作覆蓋大多數(shù)操作型機(jī)器人的“上層動(dòng)作空間”，能覆蓋如雙臂7-DoF機(jī)械臂、并聯(lián)夾爪等控制參數(shù)；

（2）保留人類操作的關(guān)鍵特征：指尖相對(duì)位置、手腕旋轉(zhuǎn)、抓取姿態(tài)等都被編碼在其中，保留了對(duì)操控幾何和力學(xué)要素的刻畫能力；

（3）提供顯式的動(dòng)力學(xué)參數(shù)：相比于point flow等表征方式，無(wú)需額外增加動(dòng)力學(xué)映射，更為聚焦操作語(yǔ)義。

模型結(jié)構(gòu)

H-RDT構(gòu)建了一個(gè)五模塊組成的DiT (Diffusion Transformer) 框架，負(fù)責(zé)從多模態(tài)感知輸入生成機(jī)器人控制序列：

視覺編碼器 (DinoV2+SigLIP) ：提取RGB觀測(cè)的視覺特征；配有MLP Adapter映射到transformer嵌入空間。

語(yǔ)言編碼器 (T5-XXL) ：編碼自然語(yǔ)言任務(wù)指令；同樣通過(guò)MLP Adapter接入主干。

模塊化動(dòng)作編/解碼器：編碼器對(duì)機(jī)器人狀態(tài)向量與噪聲動(dòng)作軌跡分別編碼；解碼器將輸出特征解碼為Action Chunk，其在微調(diào)階段對(duì)不同本體重新初始化。

Transformer主干（類LLaMA3架構(gòu)）：使用SwiGLU激活與RMSNorm；使用解耦交叉注意力分別對(duì)視覺和語(yǔ)言信息進(jìn)行融合；流時(shí)間 (τ) 通過(guò)AdaLN注入。

兩階段訓(xùn)練范式

階段一：人類數(shù)據(jù)預(yù)訓(xùn)練

第一階段使用EgoDex數(shù)據(jù)集，以48維人手動(dòng)作表征對(duì)H-RDT進(jìn)行預(yù)訓(xùn)練。EgoDex數(shù)據(jù)集包括338 K+條軌跡、涵蓋194項(xiàng)不同操作任務(wù)，全面覆蓋了人類操作策略、物體交互方式以及雙手協(xié)作。

階段二：跨本體微調(diào)

第二階段對(duì)特定機(jī)器人本體微調(diào)時(shí)，需重新初始化動(dòng)作編碼器和解碼器子模塊以適應(yīng)不同本體，其余模塊使用預(yù)訓(xùn)練權(quán)重進(jìn)行微調(diào)。

“

流匹配訓(xùn)練方法

H-RDT采用流匹配 (Flow Matching) 來(lái)生成動(dòng)作，相較于傳統(tǒng)的擴(kuò)散建模，該方法提供了更優(yōu)的訓(xùn)練穩(wěn)定性和推理效率。

①訓(xùn)練目標(biāo)：學(xué)習(xí)一個(gè)將高斯噪聲連續(xù)映射為目標(biāo)動(dòng)作序列的向量場(chǎng)；

②流程設(shè)計(jì)：

其中

表示當(dāng)前“動(dòng)作點(diǎn)”在高斯噪聲與真實(shí)動(dòng)作之間線性插值。

③訓(xùn)練損失：

其中是要學(xué)習(xí)的向量場(chǎng)，是圖像、狀態(tài)和語(yǔ)言的上下文條件。

④推理階段：使用ODE求解器積分向量場(chǎng)路徑，實(shí)現(xiàn)穩(wěn)定高效的動(dòng)作生成。

實(shí)驗(yàn)結(jié)果

真機(jī)實(shí)驗(yàn)

我們?cè)谌N真實(shí)機(jī)器人上進(jìn)行多任務(wù)訓(xùn)練，用于驗(yàn)證模型的跨本體遷移能力與實(shí)際部署的魯棒性。

1）Aloha-Agilex-2.0實(shí)驗(yàn)

兩項(xiàng)任務(wù)均采用基于子任務(wù)的評(píng)分體系，全部完成視為完全成功。各方法各任務(wù)均測(cè)試25次。

任務(wù)1疊毛巾：測(cè)試模型連續(xù)折疊柔性物體的能力。

實(shí)驗(yàn)結(jié)果如下表所示，H-RDT的完全成功率為52%，RDT為40%，未經(jīng)人類數(shù)據(jù)預(yù)訓(xùn)練的模型成功率為0。

任務(wù)2將杯子放到杯墊上：該任務(wù)測(cè)試模型的空間推理能力，要求模型根據(jù)杯子的自動(dòng)選擇合適的手去抓杯子（左側(cè)杯子必須用左手抓，右側(cè)杯子必須用右手抓）。

實(shí)驗(yàn)結(jié)果如下表所示，H-RDT的完全成功率為64%，RDT為28%，未經(jīng)人類數(shù)據(jù)預(yù)訓(xùn)練的模型成功率為20%。

2）雙臂ARX5小樣本實(shí)驗(yàn)

我們?cè)O(shè)計(jì)了一個(gè)極具挑戰(zhàn)的任務(wù)：在雙臂ARX5機(jī)器人上完成113個(gè)不同的抓取放置任務(wù)，每個(gè)任務(wù)僅提供1到5個(gè)示范樣本。

實(shí)驗(yàn)結(jié)果如下表所示，H-RDT成功率達(dá)到了41.6%，而π0僅為31.2%，RDT為16%，未經(jīng)人類數(shù)據(jù)預(yù)訓(xùn)練的模型17.6%。

3）雙臂UR5+UMI實(shí)驗(yàn)

我們?cè)陔p臂UR5機(jī)器人上評(píng)估了H-RDT，人類演示數(shù)據(jù)通過(guò)UMI收集。任務(wù)為雙手協(xié)作放置外賣袋，細(xì)分為四個(gè)連續(xù)步驟：右手抓取 → 右手放置 → 左手抓取 → 左手放置。

實(shí)驗(yàn)結(jié)果如下表所示，H-RDT完全成功率達(dá)到58.0%，遠(yuǎn)超RDT（29%）、 π0（31%）、未經(jīng)人類數(shù)據(jù)預(yù)訓(xùn)練的版本（16%）。

“

仿真測(cè)試

我們?cè)诜抡姝h(huán)境RoboTwin 2.0上進(jìn)行了全面測(cè)試，包括單任務(wù)和多任務(wù)設(shè)置：

單任務(wù)實(shí)驗(yàn)：在RoboTwin 2.0基準(zhǔn)測(cè)試的13項(xiàng)操作任務(wù)上評(píng)估單任務(wù)性能。每項(xiàng)任務(wù)使用簡(jiǎn)單模式下收集的50個(gè)演示樣本進(jìn)行訓(xùn)練，并在兩種模式下評(píng)估：包括簡(jiǎn)單模式（干凈桌面）與困難模式（隨機(jī)光照、雜亂環(huán)境）。

H-RDT在簡(jiǎn)單模式下取得了最高68.7%的平均成功率，在困難模式下為25.6%，顯著優(yōu)于其他方法；且在簡(jiǎn)單和困難模式下均大幅超越未經(jīng)人類數(shù)據(jù)預(yù)訓(xùn)練的版本 (w/o human) ，證明了利用人類操作數(shù)據(jù)預(yù)訓(xùn)練的有效性。

多任務(wù)實(shí)驗(yàn)：在RoboTwin 2.0的45項(xiàng)任務(wù)上進(jìn)行多任務(wù)實(shí)驗(yàn)，使用在困難模式下收集的約2250個(gè)演示樣本進(jìn)行訓(xùn)練，評(píng)估了10項(xiàng)任務(wù)子集。實(shí)驗(yàn)結(jié)果如下表所示。

在多任務(wù)場(chǎng)景中，H-RDT取得了高達(dá)87.2%的平均成功率，顯著優(yōu)于RDT（28.8%）、π0（48.4%）和未經(jīng)人類數(shù)據(jù)預(yù)訓(xùn)練的版本w/o human（67.2%)。H-RDT相較于未經(jīng)人類數(shù)據(jù)預(yù)訓(xùn)練版本w/o human平均成功率提高了20.0%，明顯大于在單任務(wù)場(chǎng)景。這表明，在多任務(wù)場(chǎng)景中，利用人類操作數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練能提供更好的性能。

跨本體泛化：為進(jìn)一步驗(yàn)證H-RDT的跨本體遷移能力，在仿真環(huán)境中對(duì)兩種不同的機(jī)器人本體Aloha-Agilex-1.0和Franka-Panda進(jìn)行了多任務(wù)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如下圖所示。

H-RDT在兩種機(jī)器人上均表現(xiàn)出很強(qiáng)的性能，在 Aloha-Agilex-1.0上達(dá)到87.2%的成功率，在Franka-Panda上達(dá)到62.9%的成功率，在兩個(gè)機(jī)器人上均顯著優(yōu)于基線方法。

總結(jié)與展望

本文提出H-RDT模型，使用具有3D手部位姿標(biāo)注的第一人稱人類操作視頻預(yù)訓(xùn)練以增強(qiáng)雙臂機(jī)器人的操作能力。展望未來(lái)，面對(duì)數(shù)據(jù)采集成本高、模型泛化困難等挑戰(zhàn)，人類操作數(shù)據(jù)憑借其極低的采集成本和豐富的操作語(yǔ)義，將成為機(jī)器人策略學(xué)習(xí)不可忽視的新“寶藏”。