内容摘要
遥操作或学习策略能提供灵巧手的运动意图，却往往未指定哪些接触需要承重、何时转移支撑；运动学上合理的指令也可能破坏抓握。作者提出DexFLEX，将上游指尖运动草案视为意图线索，而非直接照搬的轨迹。
其核心是提出—预测—选择：依据触觉与本体感知状态生成短时域运动片段，由潜在世界模型预测接触后果，再兼顾指令一致性和接触稳定性选取动作。推理时，Draft–Dream–Select结合用于恢复的纯先验候选与保持响应性的草案初始化候选，最终解码为关节目标。
作者报告，同一控制器无需重训即可用于退化指令仿真、真实共享控制和视觉运动策略学习。六项真实工具遥操作任务中，平均成功率由原始遥操作的29.2%升至78.3%，DexGen为52.5%；每种方法每任务由两名操作者合计测试20次。策略学习在三项任务、每任务50条示范及相同策略骨干条件下，平均成功率为46.7%，直接关节动作预测和DexGen分别为13.3%与30.0%。这些结果属于论文作者实验。
点评
该工作展示了将上游意图表达与接触敏感执行分离的低层控制接口：用预测的接触后果筛选动作，而不只依据动作先验或草案匹配。
作者明确限定固定机器人本体、触觉感知和统一指尖运动指令空间；触觉仿真到现实差异或草案超出所学先验支持范围时仍可能失败，不能据此推断跨本体通用能力。
版本与核查范围
版本 2610.14372v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #S1.p1.1；#S1.p3.1；#S1.p3.1；#S1.p5.1；#S1.p4.1；figcaption[47]；#S4.SS1.p3.1；#S4.SS4.p1.1；#S4.SS4.p2.1；#S4.SS4.p2.1；#S5.p2.1