arXiv预印本：DSP框架利用人类游戏演示实现高效灵巧操作规划

研究人员提出了一种名为DSP（Dexterity from Supervised Play）的新框架，旨在解决机器人如何自主收集接触丰富经验以学习灵巧操作的问题。该方法首先通过行为克隆从几分钟的人类无目标“游戏”演示中学习一个通用策略，然后让机器人自主运行该策略以收集数小时的交互数据，用于训练世界模型。在推理阶段，该游戏策略作为动作先验，指导模型预测控制（MPC）评估候选动作序列。

在模拟的多指手立方体重定向任务中，DSP的成功率达到91.4%，比使用相同数据训练的Hindsight Behavior Cloning（53.9%）高出37.5个百分点。此外，DSP仅需701K个交互帧即可达到与经过344M帧训练的PPO强化学习方法相当的性能，数据效率高约490倍。这些比较基于模拟环境中的计数帧，而非实际耗时或硬件数据。

论文指出，硬件实验结果目前被视为“暂定”，需要冻结协议和不确定性估计，因此主要的定量证据来自模拟比较。该方法的核心贡献在于将人类游戏行为转化为自主数据收集和规划的先验，从而避免了针对每个具体任务进行演示或依赖仿真到现实（sim-to-real）的迁移。