论文
Dex-One2Many
一种从单个人类视频学习多指灵巧手操作的方法，通过序列化场景图引导强化学习，并采用 real-to-sim-to-real 流程实现零样本真机迁移。
时间轴 (近 90 天)
10月12日
Dex-One2Many 将单个人类视频转化为序列化场景图，并用这些图引导强化学习。
待验证50%
10月12日
Dex-One2Many 采用 real-to-sim-to-real 流程：人类视频解析为场景图，在仿真中训练策略，最终零样本迁移到真实多指灵巧手。
待验证50%
10月12日
Dex-One2Many 的训练过程完全在仿真中完成，没有使用任何真实机器人示教数据。
待验证50%
10月12日
在已见配置下，Dex-One2Many 超过基线方法 6.5%。
待验证50%
10月12日
在未见场景下，Dex-One2Many 的泛化能力将优势差距拉大到 71%。
待验证50%
10月12日
论文在五个工具使用与操作任务上进行了评估。
待验证50%
10月12日
Dex-One2Many 方法的可扩展性仍有待验证，包括场景图构建是否依赖人工设计、从视频到图的自动化程度等问题。
待验证50%
全部知识事实 (7)
待验证
Dex-One2Many 将单个人类视频转化为序列化场景图，并用这些图引导强化学习。
50%待验证Dex-One2Many 采用 real-to-sim-to-real 流程：人类视频解析为场景图，在仿真中训练策略，最终零样本迁移到真实多指灵巧手。
50%待验证Dex-One2Many 的训练过程完全在仿真中完成，没有使用任何真实机器人示教数据。
50%待验证在已见配置下，Dex-One2Many 超过基线方法 6.5%。
50%待验证在未见场景下，Dex-One2Many 的泛化能力将优势差距拉大到 71%。
50%待验证论文在五个工具使用与操作任务上进行了评估。
50%待验证Dex-One2Many 方法的可扩展性仍有待验证，包括场景图构建是否依赖人工设计、从视频到图的自动化程度等问题。
50%