各位老哥老姐，有没有过这种经历：手机充电线插反了，怎么都怼不进去；或者USB接口在桌子底下，盲插半天对不准？那一刻是不是觉得，自己这双"六自由度+21个自由度"的手，居然也有笨拙的时候？人类觉得"闭着眼都能做"的插拔动作，对机器人来说，却是灵巧操作领域最硬的骨头之一。尤其是当机器人换上一只仿人五指手，光是"让五根手指协调起来把东西捏稳、转正、再对准插进去"这一套动作，就足够让无数强化学习训练曲线原地去世。 最近英伟达联合密歇根大学放出一记大招——ADEPT（Accelerating DExterity via Pre-Training），一篇关于高自由度臂手系统灵巧操作的预训练-后训练框架论文。它最狠的地方在哪？一套预训练好的灵巧策略，能够零样本迁移到下游任务的"搬运重摆"阶段，再通过稳定的后训练流程，学会接触丰富的插拔任务，最终在真机上零样本部署。23自由度的Kuka-Allegro、29自由度的Flexiv-Sharpa，都直接成了"别人家的机器人"。 
图1：ADEPT实现高自由度臂手系统在真实世界的多阶段灵巧操作（来自论文Figure 1） 更夸张的是执行速度。论文给了一组对比：原本专为平行夹爪设计的FMB（Functional Manipulation Benchmark，功能操作基准）插拔流水线，一次任务要20到70秒，中间还得靠外部夹具重新定位、多次分段抓取；ADEPT的多指策略直接一波带走，每次任务只要5到10秒，端到端提速2到14倍。这哪里是灵巧手，简直是"人形自走装机员"。 灵巧操作新突破：ADEPT如何让多指机器人学会复杂插拔任务？
为什么灵巧操作这么难？咱们先把问题拆开看看。 一只仿人机械臂加五指手，自由度轻轻松松超过20个。以论文里的Kuka-Allegro为例，7自由度的机械臂加16自由度的Allegro手，总共23个自由度；Flexiv-Sharpa那边更是到了29个自由度。动作空间维度高，状态空间维度更高，再加上接触丰富带来的非线性突变——手指刚碰到物体那一刻，动力学方程瞬间变成"薛定谔的猫"：捏紧还是滑走，完全看天。 传统的做法是什么？针对每个新任务，从零开始训练一个强化学习策略。这种做法的问题在于：每一次都是"重新发明轮子"。抓取、提起、重定向这些底层技能，任务A学了，任务B还得再学一遍。论文里说得直白：从零训练的策略极少能迁移到另一个任务，每个新任务都得从零开始，把够取、抓握、提起、重定向这些基本技能重新发掘一遍。 ADEPT的思路则完全不同：与其每个任务重训一个"专科生"，不如先培养一个"灵巧操作通识课全优生"，再针对具体任务快速"上岗培训"。这个思路放在大语言模型领域已经见怪不怪——预训练加微调嘛。但放在高自由度灵巧操作上，说易行难，因为强化学习的微调远比监督学习容易崩溃。 ADEPT全称Accelerating DExterity via Pre-Training，表面意思是"通过预训练加速灵巧性"，但它的真正精髓在于后半段——在"预训练-后训练"完整链路里，把通用灵巧运动先验和下游任务特化很好地缝合了起来。 
图2：ADEPT在两个真机平台上的Sim-to-Real演示（来自论文图集） 从零训练到预训练-后训练：ADEPT框架的核心设计思路
ADEPT整个pipeline分成四大步，论文里的Figure 2一张图就交代得明明白白。 第一步，在仿真里跑一个通用的"物体重摆放"（reposing）任务，用PPO训练出预训练策略π_pre和价值网络V_pre。第二步，针对下游接触丰富任务做后训练，得到π_post和V_post。第三步，把后训练好的状态输入教师策略，蒸馏成一个只吃立体RGB图像的视觉学生策略。第四步，把学生策略零样本部署到真机。 
图3：ADEPT框架整体流程概览（来自论文Figure 2） 先说预训练。为什么选"重摆放"而不是直接学插拔？因为重摆放任务天然包含了一整套灵巧操作的基础动作单元：够取、抓握、提起、手中重定向、搬运、放置。这就像一个体操运动员先练"倒立、空翻、落地"这些分解动作，而不是直接上去跳整套自由操。 预训练用的物体是16种基础形状：圆柱体、长方体、球体、锥体等，每种形状的尺寸和物理属性随机化。任务要求策略把物体从初始位置搬到采样出的目标位姿。训练过程中还用了两项关键技术：ADR（Automatic Domain Randomization，自动域随机化）作为在线课程，以及PBT（Population-Based Training，基于种群的训练）来搜索PPO超参数。重力也从0逐渐增加到-9.81米每秒平方，让策略慢慢适应"有重力"的世界。 预训练效果有多好？先看表1：预训练教师策略在16种训练形状上的成功率是0.73（Kuka-Allegro），在没见过的FMB插拔桩上是0.76，在VisDex的152个物体上是0.77。注意，FMB桩和VisDex物体都是训练时完全没见过的——预训练策略不仅没崩，成功率甚至还略高于分布内水平。这在灵巧操作领域可以说是非常亮眼的零样本泛化表现了。 
表1：预训练重摆放教师策略在未见物体上的成功率（来自论文Table 1） 再看表2：把预训练策略直接拿去零样本执行FMB插拔任务的"重摆放"阶段，在ADR难度等级20的时候成功率还有71.9%，到难度等级35仍有52.5%。但到了真正的插入目标（ADR 50），成功率直接归零。这个结果既说明了预训练策略的迁移能力——它确实学会了搬运和重摆，也说明了为什么还需要后训练——真正接触插入那一下，还是得专门学。 
表2：预训练教师在FMB插拔重摆放任务上跨ADR难度的零样本成功率（来自论文Table 2） 但这里藏着一个大坑：直接拿预训练策略去做PPO微调，几乎必然翻车。论文的Figure 3蓝色小图展示了这个"成功率崩塌"过程——预训练策略在ADR 20的重摆放目标上本来有很好的表现，可一旦开始标准的PPO微调，成功率先是断崖式掉到0%，然后彻底摆烂。这就是强化学习迁移里臭名昭著的"灾难性遗忘"在作祟。 
图4：FMB插拔任务训练曲线对比，蓝色小图为直接微调的成功率崩塌（来自论文Figure 3） 三大关键技术：BC蒸馏、评论家预热与保守PPO
为什么直接微调会崩？论文把原因拆成了四个：第一，任务奖励函数变了，预训练critic的价值估计完全失效；第二，下游任务引入了新的观测维度——比如插拔目标位姿和物体-插座接触力，预训练actor不知道这些额外输入该怎么用；第三，价值估计不准导致优势函数（advantage）不可靠；第四，不可靠的优势函数又推出大步长的策略更新，让策略快速偏离预训练分布。 针对这四个问题，ADEPT设计了三板斧：BC演员蒸馏、评论家预热、保守PPO更新。 第一板斧：BC演员蒸馏。这里的BC是Behavior Cloning（行为克隆）的缩写。直接把预训练actor的输出监督到新的下游actor上，跑4万次迭代，让新actor学会在"睁着新观测眼睛"的情况下复现预训练行为。这一步解决的是观察空间不匹配的问题——预训练策略没见过插拔目标的位姿和接触力，但蒸馏让新actor把这些新输入"吸收"掉，同时保留预训练学到的运动技能。 第二板斧：评论家预热。BC蒸馏做完后，actor先冻结不动，单独训练一个新的critic（评论家网络），用下游任务的奖励在冻结actor的rollout上跑大约20轮PPO迭代，每张GPU卡并行4096个环境。这一步大约消耗每GPU 100万环境步。为什么要这么做？因为预训练critic是照着旧奖励校准的，在新奖励下就是"睁眼瞎"。先让critic在新任务下重新校准，后续的策略更新才能看到可靠的优势信号。 第三板斧：保守PPO。最后才解冻actor，用PPO做联合更新。但更新方式很克制：actor学习率从预训练的1e-3直接降到1e-5，线性衰减；PPO的clip参数从0.2收紧到0.05。翻译成大白话就是：可以学新东西，但每一步都走得小心翼翼，别把老底子给败光了。 论文给了一组非常有说服力的消融实验，见表3。完整版ADEPT（a行）五颗种子全部到达最高难度ADR 50，平均训练成功率46.0%，用时19.9小时。而只要把actor学习率从1e-5升回1e-3（d和e行），无论其他组件是否保留，全部五颗种子直接崩塌在ADR 20。BC和评论家预热则分别贡献了适应速度和最终成功率：去掉BC（b行），平均耗时从19.9小时涨到35.2小时；去掉预热（c行），成功率从46.0%掉到28.4%。 
表3：后训练组件消融实验，BC为行为克隆、WU为评论家预热、LR为actor学习率、Clip为PPO裁剪阈值（来自论文Table 3） 这里还有个反直觉的细节：论文尝试过加KL散度正则来防止策略漂移，结果在1e-3学习率下照样全崩。真正救命的不是正则项，而是把学习率压低两个数量级。这给做强化学习迁移的同行提了个醒：对高自由度灵巧操作来说，策略分布塌陷的速度比你想象中快得多，光靠"软约束"根本拦不住。 蒸馏阶段的损失函数也值得一提。训练学生策略时，动作克隆损失是带方差的加权距离： 
行为克隆蒸馏损失：学生策略的输出均值μ_θ和方差σ_θ要与教师策略的输出μ_T、σ_T对齐，用教师方差做归一化（来自论文附录G） 同时还加了一个辅助的8关键点物体位姿预测损失，用来逼着学生从图像里真正"看懂"物体的朝向。插拔任务最怕的就是角度差一点点，桩子对不进孔。论文用8个关键点的平均L2距离作为辅助监督，就是这个目的。 
8关键点位姿辅助损失：K_i表示第i个关键点的预测位置，K_i*为真实位置，计算两者L2距离的平均值 全关节空间几何织物：释放高自由度机器人的全部潜力
RL策略直接输出23个关节的力矩，在真机上分分钟把机械臂变成"甩鞭子"。ADEPT在策略和机器人之间加了一道"安全垫"——几何织物（Geometric Fabric），论文里强调的是全关节构型空间版本（Cspace Fabric）。 先解释一下什么是"织物"。名字听着玄乎，本质是一个二阶动力学系统，可以理解成"有物理常识的中间控制器"。RL策略不直接发关节力矩命令，而是发一个期望的关节运动方向，织物负责把它翻译成平滑、稳定、安全（避开关节限位和自碰撞）的加速度指令。几何织物由英伟达的Nathan Ratliff等人提出，是一种具有稳定性保证的反应式控制方法。 织物主方程长这样： 
几何织物主方程：M_f为织物质量矩阵，f_f为自动的几何与耗散项（包含碰撞排斥、关节限位排斥、阻尼等），f_π为策略驱动项，三者叠加为零即定义了系统动力学 策略输出的是每个关节的相对增量目标（论文中a_t ∈ [-1,1]^23），再映射成织物要追踪的构型空间目标。这个设计最大的亮点是：策略能接触到全部23个自由度。之前的DextrAH-G和DextrAH-RGB等工作虽然也用了几何织物，但把手部控制限制在了一个5维的PCA抓取子空间里——手长得再灵活，也只能按预定义的"抓取姿态模板"动。ADEPT直接把整个关节构型空间丢给策略，代价是学习问题变得更难，但换来的却是手指协调、手中重定向这些精细操作成为可能。 更关键的是，同一套织物实例在仿真和真机上同时运行。这意味着仿真里学到的"动作语言"和真机上的"动作语言"是同一门，大大缩小了sim-to-real gap。这种"把控制器差异从迁移问题里抠掉"的思路，值得做机器人学习的同学记在小本本上。 真实世界验证：Kuka-Allegro与Flexiv-Sharpa上的卓越表现
仿真里再猛，真机上见真章。ADEPT在两类完全不同的硬件上做了零样本部署验证：23自由度的Kuka iiwa7机械臂加Allegro手，以及29自由度的Flexiv-Sharpa机械臂加五指手。前者只用两个RGB摄像头，后者除了两个RGB摄像头还加了五个指尖触觉传感器。 
图5：真实世界实验平台设置。A为Kuka-Allegro与Flexiv-Sharpa平台，B为FMB插拔桩与碗碟架，C为多样化初始状态与光照条件（来自论文Figure 4） 任务选的是FMB标准插拔基准——这可不是过家家。FMB原本是给平行夹爪设计的，平行夹爪没有"手指"，没法在手里给物体换向，只能靠外部夹具和多次重新抓取来凑合。ADEPT的多指手直接在手掌里把桩子转正，一次抓取搞定全部动作。论文里对比很给力：FMB平行夹爪流水线每个任务要20到70秒，ADEPT只要5到10秒，提速2到14倍。 上真机的效果如何？论文的Table 4给出了一组逐阶段累积成功率数据。以Kuka-Allegro系统为例，在插拔任务上，够取阶段成功率超过90%，抓握阶段超过80%，而到最终插入阶段仍能保持80%左右。在碗碟放置任务上，整体成功率略低一些，毕竟盘子的扁大外形在预训练的16种基础形状里完全没有——但后训练仍然把它学会了。 
表4：真实世界长时程操作逐阶段成功率，每个阶段的成功率是累积的，即第k阶段成功需要前面所有阶段都成功（来自论文Table 4） Flexiv-Sharpa那边更有看头。29个自由度加上五个指尖的视触觉传感器，学生策略同时吃两路RGB图像和五张触觉图。这里用到了TacMap和SaTA两种技术思路：TacMap把触觉传感器输出模拟成与真实传感器标定一致的"穿透深度图"，避免触觉域的迁移鸿沟；SaTA则用FiLM条件化把每个手指的触觉特征锚定到指尖空间位置，让策略知道"哪根手指在哪儿碰到了什么"。这套组合让机器人能"摸着"把桩子插进去，比纯视觉多了一层手感。 
图6：Kuka-Allegro与Flexiv-Sharpa真机相机视角（来自论文Figure 10） ADEPT还有个小彩蛋值得单独拎出来夸：预训练居然能产生"自然抓取"这种涌现行为。论文发现，从随机初始化直接训练插拔任务，PPO经常收敛到各种诡异的抓取姿势——比如用指节夹着桩子，看着就别扭。而经过重摆放预训练再后训练的ADEPT策略，则学会了像人一样用指尖捏持的优雅姿态。这个现象说明，预训练的任务设计确实塑造了策略的"运动品味"，而不只是加速了收敛。 从实验设计角度看，ADEPT的验证闭环是比较完整的：仿真里做了预训练泛化测试、零样本迁移测试、消融实验；真机上做了两个平台、三个任务、多种初始状态和光照条件的验证。但也要客观指出，真机成功率仍然存在一定波动，而且训练成本确实不低——预训练8B环境步、后训练3B环境步，这基本是"大力出奇迹"的路线，对算力有限的团队门槛较高。 龙迷三问
下面是龙哥对于大家可能的一些问题的解答： 这篇论文到底在解决什么问题？英伟达与密歇根大学提出ADEPT，用预训练+后训练两阶段强化学习框架，让23自由度Kuka-Allegro与29自由度Flexiv-Sharpa灵巧手，仅凭视觉或视触觉感知零样本从仿真迁移到真实世界，完成插拔、放盘等长程操作。 这篇工作最值得看的点是什么？ADEPT在Kuka-Allegro上实现FMB星形插拔5/10、方圆插拔3/10、盘子放置6/10的真实世界成功率；Flexiv-Sharpa触觉版本实现方圆插拔8/10成功率；相比FMB平行夹爪pipeline实现2-14倍执行速度提升。 这篇工作的边界或风险在哪里？优点：(1)提出完整的预训练-后训练框架，解决高自由度灵巧操作从零训练难的问题；(2)全关节空间几何织物设计新颖，充分利用完整运动学灵巧性；(3)结构化后训练配方有效防止灾难性遗忘；(4)两阶段蒸馏课程有效提升视觉学生策略的sim-to-real迁移能力。缺点：(1)预训练成本高（8B环境步）；(2)视觉感知仍是主要瓶颈，遮挡下姿态估计不准确；(3)真实世界成功率仍有提升空间；(4)仅在两种机器人平台上验证。 如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~ 龙哥点评
论文创新性分数：★★★★☆
提出ADEPT框架，通过通用物体重定位任务的预训练获得灵巧操作基础策略，再通过行为克隆蒸馏、评论家预热和保守PPO更新的结构化后训练流程适配下游接触丰富任务，最后通过两阶段蒸馏将状态教师策略转化为可零样本部署的视觉/触觉学生策略。实验合理度：★★★★☆
情节成功率（Episodic Success Rate），分阶段成功率（Reach/Grasp/Lifting/Reorient/Align/Insert），ADR等级进度。学术研究价值：★★★★☆
提出ADEPT框架，通过通用物体重定位任务的预训练获得灵巧操作基础策略，再通过行为克隆蒸馏、评论家预热和保守PPO更新的结构化后训练流程适配下游接触丰富任务，最后通过两阶段蒸馏将状态教师策略转化为可零。稳定性：★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力：★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本：★★★☆☆
预训练8B环境步，后训练3B环境步，总计11B环境步；在GPU并行仿真环境下训练，单任务后训练约20小时。复现难度：★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度：★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题：；(2)全关节空间几何织物设计新颖，充分利用完整运动学灵巧性；(3)结构化后训练配方有效防止灾难性遗忘；(4)两阶段蒸馏课程有效提升视觉学生策略的sim-to-real迁移能力。缺点：(1)预训练成本高（8B环境步）；(2)视觉感知仍是主要瓶颈，遮挡下姿态估计不准确；
主要参考文献
[1] Lee J, Yin J, Rana A, et al. ADEPT: Accelerating Dexterity via Pre-Training and Post-Training using Reinforcement Learning[J]. arXiv preprint arXiv:2608.19182, 2026. [2] ADEPT项目主页: https://adept-dexterity.github.io [3] Liu et al. Functional Manipulation Benchmark (FMB). [4] Schulman et al. Proximal Policy Optimization Algorithms. 2017. [5] Ratliff et al. Geometric Fabrics: Generalizing Classical Mechanics to Produce the Appearance of Intelligence. 2018.
*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！
灵巧手插拔难题怎么破？ADEPT的预训练+后训练思路值得细品。想和更多同好一起拆解论文、聊机器人落地，欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如 机器人+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！