DexMachina: Functional Retargeting for Bimanual Dexterous Manipulation

Paper: arXiv:2505.24853 Code: MandiZhao/dexmachina Code reference: main @ adae5bf6 (2026-03-23)

1. Motivation (研究动机)

DexMachina 研究的不是“把人手轨迹映射到机器人手看起来像不像”，而是一个更硬的目标：给定一段人类双手操作物体的 demonstration，学习任意一对灵巧手的策略，使物体本身按照 demonstration 的状态序列运动。论文把这个问题命名为 Functional Retargeting。这个定义很关键，因为传统 kinematic retargeting 往往只优化手型相似度或 fingertip 对齐；在有接触、受动力学约束、还要打开/关闭 articulated object 的场景里，手型“像人”并不等价于能真正把物体移动到目标状态。作者强调，现有 learning-based dexterous manipulation 方法在较短、较简单任务上已有成功，但常依赖手工 reward engineering 或昂贵的机器人数据采集，并且受 human hand 与 robot hand 的 embodiment gap 限制。

这篇论文瞄准的具体缺口是 long-horizon, bimanual, articulated-object manipulation：例如两只手把 waffle iron 拿起、开盖、关盖、翻转，再重复开关；或者一只手稳定 notebook、另一只手合上盖子。这里同时有高维动作空间、多阶段接触切换、双手协同、物体 6-DoF pose 与 articulation joint tracking。若只用 sparse/terminal task reward，RL 早期几乎看不到完整轨迹，常在前几步把物体掉落；若只用 imitation reward，策略又会被人手动作束缚，遇到更小、更少 DoF 的机器人手时无法自动换策略。

论文的目标可以形式化为：给定一个物体 $\eta$、一段人类 hand-object demonstration ${\mathcal{D}}^{\eta }=\{G,H\}$、一对机器人灵巧手 $\zeta$，学习 policy ${\pi }_{\theta }^{\eta ,\zeta }$，使 achieved object state ${\hat{g}}_t$ 在所有时间步上尽量贴近 demonstration target $g_t$。这里 object state 不只是 rigid pose，还包括 articulated object 的 revolute joint angle，因此 tracking error 同时包含位置、旋转和 articulation 三部分。作者把这个目标写成： ${\pi }_{\theta }^{\eta ,\zeta }=\arg {\min }_{\theta }{\sum }_{t=1}^{T}F({\hat{g}}_t,g_t).$ 为什么这个问题值得研究？第一，它把“学人手”从 motion imitation 提升到 functional capability：最终评价标准是机器人手能否让物体完成示范中的功能轨迹。第二，它给 hand hardware evaluation 提供了统一 testbed：同一套人类 demonstration、同一套算法，换不同 hand embodiment 后比较策略表现，就能观察不同 hand design 的可用性和学习难度。第三，它降低了新手型/新物体的评估门槛；只要有 URDF、对象资产和 demonstration，就可以在 simulation 中训练和比较，而不必先搭真实硬件系统。

论文贡献可以概括为三点：1）提出 Functional Retargeting 问题定义，并提出 DexMachina 这个基于 virtual object controllers 与 motion/contact guidance 的 curriculum RL 算法；2）构建包含 6 个 curated dexterous hand assets 和 5 类 articulated objects 的 benchmark；3）在多种 hand 与任务上展示比 kinematic retargeting、ObjDex-style task reward、无 curriculum auxiliary reward、ManipTrans-style curriculum 更强的 learning performance，并进一步用结果分析 hand design 的功能差异。

Figure 1 解读：图中核心对比是 human demonstration 与多种 robot hands 之间的关系。DexMachina 不是输出一条离线 joint trajectory，而是把 demonstration 转成可训练的 RL 环境与 curriculum，使不同 hand embodiment 都能学习“让物体按示范运动”的 policy。

2. Idea (核心思想)

DexMachina 的核心直觉是：长时程双手灵巧操作之所以难，并不是因为最终轨迹不可达，而是 RL 早期探索太脆弱；物体一旦掉落，后续 motion/contact reward 全部失去意义。作者借用了 “deus ex machina” 的隐喻：训练初期让物体像被一只“看不见的手”推动一样自动跟随 demonstration，policy 因而能经历完整序列，先学习人类 hand motion 与 contact pattern；随后逐步降低这只 invisible hand 的力量，让 policy 接管真实 manipulation。

这个 invisible hand 就是 Virtual Object Controllers (VOC)。在 simulation 中，作者对每个 object 的 base pose 加 6 个 virtual 1-DoF joints，对 articulation 加 1 个 virtual joint，并用 PD controller 跟踪 demonstration 中的 object state。训练初期 $k_p,k_v$ 很高，object tracking 基本由 VOC 完成，policy 不必一开始就解决“别把物体掉了”的难题；训练过程中根据 policy 的 reward history 自动衰减 controller gains，让任务从“辅助很强”逐渐变成“必须靠手自己完成”。这比单纯 decay gravity/friction 或 error thresholds 更直接，因为 VOC 先完整保住 demonstrated object trajectory，再让 hand policy 学接触与力控制。

DexMachina 还避免了两个极端。只用 task reward 会告诉 policy “物体应该在哪”，但不告诉它“手该如何接触”；只用 motion imitation/contact reward 又会把策略过度拉向人手，导致不同硬件无法找到自己的解法。因此论文把 reward 设计成 task reward 主导、motion/contact/BC 作为 soft guidance：前期它们帮助 policy 学到大致人类策略，后期当 VOC 衰减时，policy 可以偏离 demonstration motion，只要 object tracking 更好即可。论文中的 qualitative 例子也支持这个思路：XHand 可以更像人类那样一手持物一手关 notebook；Inspire Hand 较小、欠驱动，需要双手一起稳定物体再关盖。

Figure 2 解读：左侧 demonstration 先被处理成三类训练信号：task reward 追 object trajectory，motion reward 追 retargeted hand keypoints/joints，contact reward 追 hand-object contact。右侧 curriculum 展示 VOC 从 strong 到 weak 再到 no VOC 的 hand-off 过程。这个流程把“稠密的人类示范”变成“可探索、可退火”的 RL 问题。

与 ObjDex 相比，DexMachina 不依赖先训练高层 wrist planner；它直接使用 collision-aware kinematic retargeting 的 wrist base action，再让 policy 输出 residual/absolute hybrid action。与 ManipTrans 相比，DexMachina 的 curriculum 不只是调物理参数或误差阈值，而是直接在 object dynamics 上提供可衰减的 tracking assistance。与纯 kinematic retargeting 相比，它最终训练的是 closed-loop policy，而不是 replay 一串可能穿模、无力、无法维持接触的 joint target。

3. Method (方法)

3.1 Functional retargeting environment 与 task reward

每个 RL environment 由一段 demonstration ${\mathcal{D}}^{\eta }$ 和一对 dexterous hands $\zeta$ 构成。在时间步 $t$，demonstration 中的 object state 写作 $G_t=\{g_t^P,g_t^R,g_t^J\}$，分别表示 position、rotation quaternion、articulation joint angle；policy rollout 的 achieved state 写作 ${\hat{G}}_t=\{{\hat{g}}_t^P,{\hat{g}}_t^R,{\hat{g}}_t^J\}$。task reward 是三项 exponential reward 的乘积： $d_{\text{pos}}=\Vert {\hat{g}}_t^T-g_t^T{\Vert }_2,d_{\text{rot}}=2{\cos }^{-1}(|⟨{\hat{g}}_t^R,g_t^R⟩|),d_{\text{ang}}=\Vert {\hat{g}}_t^J-g_t^J{\Vert }_2.$ $r_{\text{task}}=r_{\text{pos}}{r}_{\text{rot}}{r}_{\text{angle}}=\exp (-{\beta }_{\text{pos}}{d}_{\text{pos}})\exp (-{\beta }_{\text{rot}}{d}_{\text{rot}})\exp (-{\beta }_{\text{ang}}{d}_{\text{ang}}).$ 乘法形式的含义是 balanced tracking：如果 position、rotation 或 articulation 中任一项很差，总 reward 都会低。released code 中 dexmachina/envs/rewards.py 的 compute_task_reward 也实现了这个乘法路径；默认 betas 是 (20,5,20)，但实际 constructor/launch 会把 --task_rew_betas 10 1 5 写入 obj_pos_beta,obj_rot_beta,obj_arti_beta，因此笔记中的实验配置以 launch script 为准，而不是 get_reward_cfg 默认值。

3.2 Demonstration preprocessing：collision-aware retargeting 与 contact approximation

DexMachina 先对 demonstration 做两类预处理。第一类是 collision-aware kinematic retargeted joints：给定 $T$ 个时间步、$J$ 个 actuated joints、$K$ 个 hand collision links，先用 kinematics-only retargeting 匹配人手 motion；然后在 simulation 中把 object 固定到 target state，把 retargeted joint values 作为 soft control targets replay，让 physics resolve collision，最后记录修正后的 joint values $\mathcal{Q}\in {\mathbb{R}}^{T\times J}$ 与 link keypoints $\mathcal{X}\in {\mathbb{R}}^{T\times K\times 3}$。这一步很重要，因为纯 kinematic retargeting 会让手和 object 穿插，作为 RL base action 或 imitation target 会产生不可行的 reference。

Figure A 解读：appendix 的 retargeting 图说明了为什么需要 object-aware post-processing。人手到机器人手的 fingertip matching 不是最终目标；必须在 object 固定、碰撞约束存在的 simulation 中重新得到可用 joint/keypoint reference。

第二类是 approximated hand-object contact。论文在 object mesh vertices 与 MANO hand mesh vertices 之间做距离阈值筛选：若 object vertex 到最近 MANO vertex 的距离小于 $\gamma =0.01$，就视作 raw contact candidate；若候选超过 $N_c=50$，用 farthest subsampling 保留 $N_c$ 个点。之后把 raw contact retarget 到 dexterous hand links：对每个 contact point 找最近的 dex hand link center ${\ell }_m$，并对分配到同一 link 的 contact points 求平均。最终输出 contact tensor $\mathcal{C}\in {\mathbb{R}}^{T\times N\times K\times 3}$ 和 valid mask $\mathcal{M}\in \{0,1{\}}^{T\times N\times K}$。其中 $N=2$，因为论文中的 articulated objects 都有两个 object parts；左右手各有一份 contact 信息。

3.3 Hybrid action output

DexMachina 的 action formulation 是一个折中：wrist 6-DoF 使用 retargeted wrist trajectory 作为 base，然后让 policy 输出 residual；finger joints 则输出 absolute normalized actions。appendix 给出的形式为： $a_t=\text{clip}({\pi }_{\theta }(o_t),-1,1),$ $q_t^{\text{wrist-T}}={\mathbf{q}}_t[{\mathcal{I}}_w^T]+s_T{a}_t[{\mathcal{I}}_w^T],q_t^{\text{wrist-R}}={\mathbf{q}}_t[{\mathcal{I}}_w^R]+s_R{a}_t[{\mathcal{I}}_w^R],$ $q_t^{\text{fingers}}={\ell }_{{\mathcal{I}}_f}+\frac{u[{\mathcal{I}}_f]-\ell [{\mathcal{I}}_f]}{2}(a_t^{\text{fingers}}+1),{\hat{q}}_t=\text{concat}(q_t^{\text{wrist-T}},q_t^{\text{wrist-R}},q_t^{\text{fingers}}).$ 直觉上，wrist motion 在 bimanual manipulation 中非常关键，直接全 absolute 探索会太大；用人类 retargeted wrist 作为 base 可以把探索限制在合理范围内。finger joints 则不强迫模仿人手，而是允许在自身 joint limits 内选择更适合该 hand 的 grasp/contact strategy。released code 在 dexmachina/envs/robot.py 中的 action_mode == "hybrid" 路径正是这个逻辑：wrist translation/rotation 分别乘 hybrid_scales，finger targets 用 lower/upper joint limits 映射。公开 example examples/train_rl.sh 里使用 -am hybrid --hybrid_scales 0.1 1.0。

3.4 Auxiliary rewards：motion、BC、contact

Motion imitation reward 用 keypoint matching 鼓励手的 link/keypoint 接近 retargeted reference；behavior cloning reward 用 joint angle distance 鼓励 joint values 接近 $\mathcal{Q}$： $r_{\text{imi}}=\frac{1}{K}{\sum }_{i=1}^K\exp (-{\beta }_{\text{imi}}\Vert {\hat{x}}_i-x_i{\Vert }_2),r_{\text{bc}}=\frac{1}{J}{\sum }_{i=1}^J\exp (-{\beta }_{\text{bc}}\Vert {\hat{q}}_i-q_i{\Vert }_2).$ Contact reward 试图让 policy 的 contact position/validity 匹配 demonstration contact。论文中将左右手各自的 masked contact distance $D^{(i,j)}$ 代入： $r_{\text{con}}=\frac{1}{2NK}\left({\sum }_{i=1}^N{\sum }_{j=1}^K\exp (-{\beta }_{\text{con}}{D}_{\text{left}}^{(i,j)})+{\sum }_{i=1}^N{\sum }_{j=1}^K\exp (-{\beta }_{\text{con}}{D}_{\text{right}}^{(i,j)})\right).$ 最终 reward 是 weighted sum： $r_t={\lambda }_{\text{task}}{r}_{\text{task}}+{\lambda }_{\text{imi}}{r}_{\text{imi}}+{\lambda }_{\text{bc}}{r}_{\text{bc}}+{\lambda }_{\text{con}}{r}_{\text{con}}.$ released code 中 RewardModule.compute_reward 先算 task reward，再按 -imi/-bc/-con 权重加入 imitation、BC、contact。公开训练例子给出 -imi 0.3 -bc 0.3 -con 3 -imw 0.5 --contact_beta 10 --action_penalty 0.01。这说明 contact reward 在 example 中权重明显高于 imitation/BC，但它仍然是辅助项：task reward 负责 object tracking，auxiliary rewards 负责让探索落在有意义的 human-like/contact-like 区域。

论文公式与 released code 实现差异：论文的 contact equation 写到当 demo/policy 同时无 contact 时 $D=0$，这会让 $\exp (-\beta D)=1$；但 released matched-contact path 在 compute_matched_contact_per_hand 中，当 mask_zero_contact=True 时把 both-invalid case 置为 max_distance，让“双方都没接触”不会得到高 contact reward。这个实现更符合“不要奖励无接触”的意图，但和论文公式的字面定义不同。另一个需要注意的差异是，论文报告实验使用 $12,000$ parallel environments（Dex Hand 为 $10,000$），而公开 examples/train_rl.sh 是 runnable example，使用 -B 4096；因此复现实验时不能把 example batch size 误当成论文主结果配置。

3.5 Auto-curriculum with Virtual Object Controllers

VOC 的实现是把 demonstration object states $G$ 当作 control target，用 virtual spring-damper constraints/PD controllers 让 object 跟随目标轨迹。每个 object base pose 有 6 个 virtual 1-DoF joints，articulation 再有 1 个 virtual joint。训练初期 $k_p,k_v$ 高；当 reward history 显示 policy 已能稳定完成当前难度，就衰减 gains。

伪代码可概括为：

for each PPO iteration:
    collect finished episodes
    for z in {task, imi, bc, con}:
        append normalized cumulative reward R_z / L_max to deque D_z
    compute mean reward mu_z over each deque
    if k_p == 0:
        continue
    if all mu_z > sigma_z:
        k_p <- k_p * phi_p
        k_v <- k_v * phi_v
        if k_p <= 0.01:
            k_p <- 0; k_v <- 0

这个 schedule 的含义不是固定按 epoch 退火，而是“policy 表现足够稳定后再降低辅助”。released dexmachina/envs/curriculum.py 中有 set_auto_uniform_decay、reward deque、upper/lower ratios、dialback 逻辑等更工程化的实现；dexmachina/envs/base_env.py 的 set_curriculum 会在训练时触发 curriculum 并在 gains/reward weights 改变后重置 reward tracker。

Code reference: main @ adae5bf6 (2026-03-23) — pseudocode and mapping based on this commit

Paper concept	Released code anchor	解释
Collision-aware retargeting	dexmachina/retargeting/parallel_retarget.py, dexmachina/retargeting/retarget_utils.py	把 kinematic retargeting 放回 simulation 里 replay，减少 object penetration。
Contact approximation	dexmachina/retargeting/map_contacts.py, dexmachina/envs/contacts.py	从 MANO/object mesh contact 近似映射到 robot hand links。
Hybrid action	dexmachina/envs/robot.py	wrist residual around retargeted qpos，finger absolute by joint limits。
Task / imitation / contact reward	dexmachina/envs/rewards.py	compute_task_reward、compute_imitation_reward、compute_matched_contact_reward。
VOC curriculum	dexmachina/envs/curriculum.py, dexmachina/envs/base_env.py	根据 reward deques 衰减 object gains，并在训练中更新环境。
Training launch	examples/train_rl.sh, dexmachina/rl/train_rl_games.py	公开 example：max_epochs=5000、horizon=16、LR 0.0003、hybrid/contact config。

4. Experimental Setup (实验设置)

实验数据来自 ARCTIC hand-object interaction clips。论文使用 5 类 articulated objects 和 7 条 demonstrations，覆盖短时程与长时程操作：Ketchup-100、Box-200、Mixer-170、Ketchup-300、Mixer-300、Notebook-300、Waffleiron-300。每条 clip 由 object、subject tag、start/end frame 定义，使用帧数 $T=\text{end}-\text{start}$。appendix 说明 ARCTIC 提供 articulated object scans、tracked MANO hand poses 和 object states；DexMachina 额外处理 open-source dexterous hand URDF，包括添加 6-DoF wrist joints、调整 mass/inertia、做 convex decomposition、加 fingertip dummy links，并手工指定 robot finger links 与 MANO joints 的对应关系。

主实验使用四种代表性手：Inspire Hand、Allegro Hand、XHand、Schunk Hand；hand embodiment analysis 进一步加入 Ability 和 DexRobot Hand，形成六手 benchmark。主文强调这些手在 size、kinematic design、actuation 上差异明显，因此同一 algorithm + same demonstrations 可以作为 hand design 功能比较工具。论文使用 Genesis physics simulation 与 rl-games PPO；policy observation 是 state-based，包括 object states、joint targets、finger-to-object distances、normalized hand-object contact forces。所有任务控制双手，并共享同一 policy architecture / observation design。

Baseline 共有四类。Kinematics Only 直接 replay kinematic retargeting results 作为 controller targets，用来测试“看起来像人”的轨迹是否能完成 task。ObjDex reimplementation 使用 task reward 与同样的 hybrid actions；appendix 说明作者联系原作者确认 ARCTIC clip range 和 interpolation setup，但最终不使用 4T/7T interpolation，因为会增加训练时间而没有改善性能。

Task + Auxiliary Rewards without curriculum 使用 DexMachina 的 motion/contact/BC reward 和 action formulation，但不启用 VOC curriculum，用来隔离 curriculum 的贡献。

ManipTrans reimplementation 使用 hybrid actions 与同一 reward/hyperparameters，但 curriculum decay 的是 object/finger error thresholds、gravity 和 friction（例如 $g_{\text{gravity}}\in [0,-9.81]$、$\mu \in [4.0,1.0]$），用于比较不同 curriculum 机制。

训练配置方面，paper 报告：主结果与 baseline 都使用 $12,000$ parallel environments 训练；Dex Hand 因显存约束使用 $10,000$；每个 run 占用单张 NVIDIA L40s 或 H100；每个 demonstration、每个 hand、每种 method 跑 5 random seeds；action ablation 使用 3 seeds。

公开代码 example examples/train_rl.sh 的具体 launch 是 -B 4096 --max_epochs 5000 --horizon 16 --learning_rate 0.0003 --actuate_object --retarget_name para --gain_mode all --curr_schedule uniform --wait_epochs 100 --contact_beta 10 --task_rew_betas 10 1 5 --use_retarget_contact -am hybrid --hybrid_scales 0.1 1.0 --kp_init 80 --kv_init 5 -imi 0.3 -bc 0.3 -con 3 -ert 0.6。

train_rl_games.py 会把 num_actors 设为实际 env 数，并把 minibatch_size 设为 num_envs * 8；PPO cfg 中 default LR 也是 3e-4，但最终以 launch args 覆盖为准。

Evaluation 方面，appendix 写明每个 method/task 使用 5 seeds；每个 seed 保存按 cumulative task reward 选出的 best checkpoint；每个 checkpoint evaluation 20 episodes，并记录 achieved object pose 与 revolute joint angle，与 demonstration trajectory 比较。论文讨论了 per-step success rate 与 raw tracking error 的缺陷，并引入类似 object pose tracking 的 ADD-AUC：对 articulated objects 分 part 计算 ADD，再平均后算 AUC。主图 axis 写作 Success Rate (%)，可理解为论文将 tracking performance 以百分比形式汇总展示；读结果时重点看同一任务、同一手、不同方法之间的相对差距。

5. Experimental Results (实验结果)

Figure 3 解读：核心结论是 VOC curriculum 在长时程任务上最有价值。短任务中，Task + Aux 有时已经很强，例如 Inspire Hand 的 Ketchup-100 上 Task + Aux 为 87.8，而 Ours 为 70.7；但在更长、更复杂任务上，Ours 通常显著优于 no-curriculum。以 Inspire Hand 为例，Box-200 上 Ours 为 87.1，对比 Task + Aux 64.3、Task Rew 37.0、Kinematic Only 19.8；

Mixer-300 上 Ours 64.3，对比 Task + Aux 55.6、ObjDex-style Task Rew 66.6、Kinematic Only 7.4，说明不同任务上 auxiliary 与 VOC 的收益不完全相同。以 XHand 为例，Notebook-300 上 Ours 89.0，明显高于 Kinematic Only 8.3、Task Rew 59.4、Task + Aux 58.9 和 ManipTrans 66.2；Waffleiron-300 上 Ours 80.3，也高于 Kinematic Only 5.6、Task Rew 59.7、Task + Aux 56.2。

Schunk Hand 在 Waffleiron-300 上仍较难，但 Ours 41.4 依然高于 Kinematic Only 5.6、Task Rew 10.4、Task + Aux 10.8，显示 VOC 至少能把 long-horizon exploration 从几乎失败提升到部分完成。

Kinematics Only 的表现验证了论文动机：单纯 replay retargeted joints 往往无法真正操作 object。图中大多数 Kinematics Only 数值都很低，例如 Inspire Notebook-300 7.4、XHand Notebook-300 8.3、Schunk Waffleiron-300 5.6。作者在正文中解释，video 上这些轨迹看起来能贴近人手，但通常只能轻微抬起物体，不能完成完整 articulation/transport sequence。Task reward / ObjDex-style baseline 在 short clips 上可以较强，例如 Allegro Ketchup-100 的 Task Rew 91.6、Task + Aux 92.0、Ours 91.4 都很高；但进入 Ketchup-300、Mixer-300、Notebook-300、Waffleiron-300 后，长期 contact sequencing 与中途换手让 task-only 方法更不稳定。

ManipTrans-style curriculum 没有稳定提升。正文指出，ManipTrans policy 初期 task reward 高，但 curriculum 推进后 performance 下降并难以恢复；这说明单纯 decay physics parameters 或 error thresholds 不足以解决 articulated object 的 long-horizon manipulation。DexMachina 的区别在于 VOC 在训练初期直接“保住完整 trajectory”，policy 能在整条 sequence 中学习 motion/contact，然后才逐步承担物体控制。

Figure 4 解读：这张 qualitative figure 支撑“auxiliary reward 是软引导而不是硬约束”的观点。Notebook-300 中，XHand 可以较接近 human demonstrator：左手托住 object、右手关 cover；Inspire Hand 较小且 less-actuated，policy 学到用双手稳定 object 再完成盖合。Mixer-300 中，Allegro Hand 的长手指可以更容易接触/盖合；Schunk Hand 则需要更多 wrist motion。也就是说，DexMachina 不是简单复制人手，而是让不同硬件在相同 functional goal 下找到自己的策略。

Action ablation 的结论是：更受限的 hybrid wrist residual 通常比全 absolute 或更宽 residual 更易学习。原因是 bimanual long-horizon task 的探索空间主要由 wrist/base motion 决定；若 wrist action 完全自由，policy 要同时学 object tracking、接触和手的全局姿态，样本效率很差。把 wrist 限制在人类 retargeting 附近，并把 finger joints 留给 absolute control，则在保持可探索性的同时避免 early catastrophic failures。

Figure 5 解读：hand embodiment analysis 显示，外形像人不是最关键因素；更大的 workspace、更长 fingers、更充分 actuation 往往带来更高最终性能和更好 learning efficiency。正文点名 Allegro Hand 虽然外观不那么 anthropomorphic，但长手指对 in-air/in-hand manipulation 很有利；Inspire、Ability、Schunk 尺寸相近，但 Schunk 有 actuated fingertips 和 foldable palm，平均表现优于 Inspire/Ability。论文也提醒，这些结论受测试 objects/tasks 限制；较大的手在更小 objects（如 tweezers）上不一定占优。

Figure A qualitative 解读：appendix 展示了长时程 rollout keyframes，brown box 是 ARCTIC 数据采集设定中的支撑平台。它帮助理解为什么 long-horizon tasks 不是普通 pick-and-place：物体通常要离开支撑面、在空中被双手稳定、经历开合/翻转/重定向等多个 contact phase。

主要限制也很清楚。第一，policy 使用 state-based privileged input，例如 object pose、joint targets、contact forces；真实世界中这些信息难以直接获得，需要 vision-based RL 或 state-policy distillation 到 visuomotor policy。第二，Functional Retargeting 假设有高质量 human hand-object demonstration，ARCTIC 这类数据依赖 motion capture、object reconstruction、pose tracking 与手工后处理，扩展成本高。第三，benchmark 使用 open-source URDF assets 并估计 mass、inertia、collision shape，simulation dynamics 可能不能完全代表真实 hardware。第四，论文尚未在真实的多种 dexterous hands 上验证 learned RL policies。尽管如此，DexMachina 的价值在于把一个过去很难标准化的问题变成了可运行的 simulation benchmark：它既是 functional retargeting 算法，也是评估灵巧手设计的工具。