DexFormer：基于历史条件变换的跨体现力学灵活操控
机器人学
2026-02-10 v1
摘要
灵活操控是机器人学中最具挑战性的问题之一，需要在复杂、接触密集的动力学下协调高自由度手部和机械臂。主要障碍在于体现性差异：不同灵活手臂具有不同的运动学和动力学特性，迫使先前方法需单独训练各策略，或依赖带有 per-embodiment 解码器头的共享动作空间。我们提出 DexFormer，一个基于修改后的变换骨架构建的、具动态感知的跨体现性策略。通过利用历史观测的时序上下文，DexFormer 可即时推断形态和动力学，从而适应多样化的手部配置并生成符合体现性的控制动作。在多套程序化生成的灵活手臂资产上进行训练后，DexFormer 获取了可泛化的操控先验，并在零样本情况下成功迁移至 Leap Hand、Allegro Hand 和 Rapid Hand。我们的结果表明，单个策略可跨异构手臂体现性实现泛化，为跨体现性灵活操控建立了可扩展的基础。项目网址：https://davidlxu.github.io/DexFormer-web/。
引用
@article{arxiv.2602.08278,
title = {DexFormer: Cross-Embodied Dexterous Manipulation via History-Conditioned Transformer},
author = {Ke Zhang and Lixin Xu and Chengyi Song and Junzhe Xu and Xiaoyi Lin and Zeyu Jiang and Renjing Xu},
journal= {arXiv preprint arXiv:2602.08278},
year = {2026}
}