Dexora：用于高自由度双手灵活性的开源 VLA

视觉-语言-动作（VLA）模型最近已成为实体人工智能的中心方向，但当前的系统仅限于双夹具控制或单臂灵巧的手动操作。虽然低维夹具控制通常可以用更简单的方法来处理，但高维灵巧手控制可以从完整的端到端 VLA 学习中受益匪浅。在这项工作中，我们介绍了 Dexora，这是第一个开源 VLA 系统，本身就针对双臂、双手高自由度操纵。我们设计了一种混合远程操作管道，将粗手臂运动学（用定制外骨骼背包捕获）与精细手指运动（通过 Apple Vision Pro 进行无标记手部跟踪）分离，并驱动物理双臂双手平台和相同的 MuJoCo 数字双胞胎。使用该界面，我们组装了一个大型训练语料库：一个与实施例匹配的合成语料库（100K 条模拟轨迹，650 万帧）和一个包含 10K 远程操作片段（292 万帧）的真实世界数据集。为了减轻嘈杂的远程操作演示，我们提出了一种数据质量感知的训练方法：离线鉴别器为扩散 Transformer 策略训练提供剪辑级权重，降低低质量演示的权重。根据经验，Dexora 在基本和灵巧基准方面均优于竞争性 VLA 基线（例如，平均灵巧成功率为 66.7% 与 51.7%），在基本任务上取得了 90% 的成功，并显示出强大的分布外和跨实体泛化能力。消融证实了真实数据和灵活性鉴别器的重要性。