PatternDex 从人–物演示中学习一种与手部形态无关的“交互模式”令牌序列，再结合目标机器人手描述解码出适配该手的腕部运动与接触点，并用其引导强化学习策略；在 ARCTIC 数据集的 6 个未见演示上，Allegro 手平均成功率达 92.8%（基线 ObjDex 为 52.2%），冻结模式编码器仅微调后迁移到 Shadow、Paxini、XHand 三种手仍分别达 84.0%、73.5%、71.6%，并在真实微波炉开门任务中 10 次试验成功 7 次。
OTRetarget 提出一种联合重定向方法，用带符号距离、最近表面点和相对方向刻画表面交互，并通过熵正则最优传输把这些量在人体、机器人和物体几何之间迁移，再放入逐帧约束逆运动学中同时优化机器人与物体位姿；在 OMOMO 上机器人—物体交互 Jaccard 为 87%、深度误差 8.7 mm，对比 OmniRetarget 的 28% 与 29.3 mm，并在真实 Unitree G1 上完成双手搬箱放到桌面的任务。
该工作提出 Morphometric Imitation 三阶段框架：先用形态优化（MMO）在保持演示接触的前提下把人类手物交互运动学重定向到不同形态的机器人手，再用残差强化学习结合物体位姿与接触信息生成动力学可行的演示，最后蒸馏为视觉运动策略；在三种机器人手和十条 GRAB 轨迹上，MMO 的接触 F1 比五个基线中最强者至少高 8 个百分点，下游动态重定向成功率最多提升 35 个百分点，蒸馏策略在 30 个物体、300 次真机试验中取得 89.3% 零样本成功率。
HuRo提出一套把异构第一人称人类视频转成机器人对齐观测与动作轨迹的机器人化流水线，构建了来自EgoDex、EgoVerse、Ego4D、Ego10K和EPIC-Kitchens五个来源、约1.42亿帧的HuRo数据集，并在ALLEX双臂灵巧机器人上对VLA策略做预训练：随机器人化数据量增加，四个真机操作任务的平均完成度从无预训练的51.5%提升到全量预训练的80.3%，ID完成度从68.1%升到88.4%，OOD完成度从34.9%升到72.2%。
已读完全部报道