[论文解读] UniHM: Unified Dexterous Hand Manipulation with Vision Language Model
UniHM 引入一个统一、语言条件化的框架,跨多种形态进行动态灵巧手部操作,利用形态无关的标记码本、视觉-语言模型,以及基于物理的 refinement,从开放词汇指令中生成可执行的操作序列。
Planning physically feasible dexterous hand manipulation is a central challenge in robotic manipulation and Embodied AI. Prior work typically relies on object-centric cues or precise hand-object interaction sequences, foregoing the rich, compositional guidance of open-vocabulary instruction. We introduce UniHM, the first framework for unified dexterous hand manipulation guided by free-form language commands. We propose a Unified Hand-Dexterous Tokenizer that maps heterogeneous dexterous-hand morphologies into a single shared codebook, improving cross-dexterous hand generalization and scalability to new morphologies. Our vision language action model is trained solely on human-object interaction data, eliminating the need for massive real-world teleoperation datasets, and demonstrates strong generalizability in producing human-like manipulation sequences from open-ended language instructions. To ensure physical realism, we introduce a physics-guided dynamic refinement module that performs segment-wise joint optimization under generative and temporal priors, yielding smooth and physically feasible manipulation sequences. Across multiple datasets and real-world evaluations, UniHM attains state-of-the-art results on both seen and unseen objects and trajectories, demonstrating strong generalization and high physical feasibility. Our project page at \href{https://unihm.github.io/}{https://unihm.github.io/}.
研究动机与目标
- 说明需要开放词汇、动态 dexterous 手部操作超越静态抓握的动机。
- 提出一种形态无关的标记化方案以实现跨手的泛化。
- 开发一个基于语言与感知数据条件化生成操作序列的视觉-语言模型。
- 结合物理引导的动态 refinement,以确保轨迹的物理可行性。
- 通过广泛评估展示对未见对象、形态和任务的鲁棒泛化。
提出的方法
- 引入一个统一的手部 dexterous 标记器,使用共享的 VQ-VAE 码本,将异构手部姿态映射到一个共同的离散动作格。
- 使用带有 CLIPort 风格感知头的视觉-语言模型,从 RGB-D 和语言中推断目标轨迹,然后进行基于标记的序列生成。
- 通过知识蒸馏对新手部形态进行训练和对齐,使其对参考编码器实现跨 dexterous 手的标记重用,并以形态特定解码器进行解码。
- 应用物理引导的动态 refinement,使用高斯-牛顿框架在每帧中结合接触、生成先验和时间先验来优化以实现物理可行性。
- 从人类视频标注 HOI 序列,进行 Dex-Retargeting 将 MANO 姿态映射到多种灵巧手,并通过能量约束对轨迹进行 refined。

实验结果
研究问题
- RQ1是否可以使用开放词汇的语言命令,在不同手部形态下生成动态的、多步的 dexterous 手部操作轨迹?
- RQ2形态无关的标记码本是否实现跨手的一致性和有效迁移?
- RQ3物理引导的 refinement 如何提升生成序列的时间平滑性与物理可行性?
- RQ4从人类 HOI 视频学习是否可以消除对昂贵的遥操作数据的依赖,同时对未见对象与任务保持泛化能力?
主要发现
| Method | MPJPE ↓ | FOL ↓ | FPL ↓ | FID ↓ | Diversity → |
|---|---|---|---|---|---|
| Ours (DexYCB Seen) | 61.40 ${}^{\pm1.93}$ | 23.14 ${}^{\pm0.65}$ | 12.15 ${}^{\pm0.24}$ | 31.24 ${}^{\pm1.02}$ | 39.62 ${}^{\pm0.66}$ |
| Ours (OakInk Seen) | 52.73 ${}^{\pm2.08}$ | 72.32 ${}^{\pm0.55}$ | 19.86 ${}^{\pm0.43}$ | 204.91 ${}^{\pm7.64}$ | 165.47 ${}^{\pm6.30}$ |
| Ours (DexYCB Unseen) | 63.56 ${}^{\pm2.08}$ | 27.29 ${}^{\pm0.43}$ | 13.06 ${}^{\pm0.43}$ | 41.03 ${}^{\pm1.65}$ | 42.70 ${}^{\pm1.19}$ |
| Ours (OakInk Unseen) | 58.62 ${}^{\pm2.35}$ | 83.27 ${}^{\pm1.17}$ | 22.87 ${}^{\pm0.52}$ | 253.41 ${}^{\pm13.05}$ | 153.28 ${}^{\pm9.48}$ |
- UniHM 在 DexYCB 与 OakInk 上对已见与未见对象和轨迹实现了最先进的结果。
- 形态无关的码本实现了 MANO 与多种机器人手之间的跨手一致性与标记重用。
- 物理引导的动态 refinement 产生更平滑、物理可行的轨迹,提升接触处理与稳定性。
- 真实世界实验中对已见与未见对象的抓取成功率高于前沿方法。
- 消融研究表明掩码训练、RGB-D 输入以及物理 refinement 均对性能和可行性有贡献。

更好的研究,从现在开始
从论文设计到论文写作,大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成,并经人工编辑审核。