# DexPolicy探索调度方法

该工作提出DexPolicy，在ViViDex这类由人类视频轨迹引导的灵巧操作强化学习中，把动作噪声尺度显式设为训练步数的退火函数，同时固定损失、架构、奖励与优化器设置，在PPO、无评论家的GRPO续训与流参数化PPO变体（FPO）三种策略优化设置下，于五个YCB物体和三个训练种子上把平均确定性Target成功率分别从32.0%提到35.7%、14.1%提到45.4%、49.4%提到68.1%，并在RealMan RM75机械臂配Inspire/RH56手的360次真机试验中把平均Target成功率分别从8.3%提到43.3%、10.0%提到63.3%、25.0%提到85.0%。

该工作提出DexPolicy，在ViViDex这类由人类视频轨迹引导的灵巧操作强化学习中，把动作噪声尺度显式设为训练步数的退火函数，同时固定损失、架构、奖励与优化器设置，在PPO、无评论家的GRPO续训与流参数化PPO变体（FPO）三种策略优化设置下，于五个YCB物体和三个训练种子上把平均确定性Target成功率分别从32.0%提到35.7%、14.1%提到45.4%、49.4%提到68.1%，并在RealMan RM75机械臂配Inspire/RH56手的360次真机试验中把平均Target成功率分别从8.3%提到43.3%、10.0%提到63.3%、25.0%提到85.0%。