点击下方卡片，关注【Xbotics具身智能实验室】公众号

你想要的这里都有~~

要教一只机械手干拧螺丝、插销钉这种毫米级的精细活，最好的办法是什么？

最新答案有点反直觉：先别急着教装配，让它撒开了玩。这正是斯坦福大学最新研究成果 Play2Perfect 提出的核心思路。

一只 22 自由度的 Sharpa Wave 五指灵巧手，先在仿真里把上千个随机形状的"积木"翻来覆去地摆弄，练熟手上功夫，再回头去啃精密装配——朝比一张银行卡还薄的间隙里插销钉、给家具腿拧上装错就废的螺纹、把好几个零件拼到严丝合缝，全程没用一条人类示范，仿真里训好的策略直接搬上真机就能干，效率还比从零硬训快 33 倍。撑起这整条"从仿真到真机"链路的，正是 Sharpa Wave 这只手——那几样毫米级的操纵，靠的全是它的手指。

一只"会玩"的手，凭什么就能拧好螺丝？我们从头拆开看。

一、被忽视的难题：精密装配为何如此困难？

试想这样一个场景：一只22自由度的五指灵巧手，需要抓起一根金属销，在指尖调整姿态，对准一个仅比零件直径大半毫米的孔，然后稳稳插入。这串动作，人做起来几乎是下意识的，可对机器人来说，每一步都是一道坎。

传统强化学习在处理这类任务时，面临着一个根本性困境——稀疏奖励诅咒。

具体来说，一条完整的装配链路包含"抓取、手内重定向、对齐、接触搜索、插入、失败恢复"六个环节。然而，RL训练中唯一能获得的奖励信号，往往只有"最终装配成功"这一个稀疏事件。在拿到第一次奖励之前，策略只能漫无目的地瞎试，要偶然碰出"先抓起来、再转正、再对齐、再插入"这一整套行为序列，概率低到几乎为零。

数据是最直接的证据。在 Play2Perfect 论文的基准测试中，从零开始的稀疏奖励RL（Scratch Sparse）在训练24小时后，成功率仍为0%。即使人为设计了密集奖励函数（Scratch Dense）——对接近物体、抓取成功、减小位姿误差等中间行为给予引导——在这四类装配任务上训满24小时同样颗粒无收。只有把任务大幅简化（零件预先立在夹具上），密集奖励才终于能学出来，但代价是超过100小时的训练时间，且习得的策略极度脆弱。

更关键的是，这种"捷径策略"的真实面目是什么？论文的对照实验揭示：它会用拇指托住零件底部，而不是形成稳定的多指抓取。一旦施加外力扰动，成功率就断崖式下跌。密集奖励诱导策略找到了奖励函数的漏洞，而非真正掌握了灵巧操作的能力。

从零训练的稠密奖励策略靠大拇指顶住零件（右栏），外力扰动下成功率断崖式下跌；Play 预训练策略是稳定的多指抓取（左栏）

这就引出了一个核心命题：机器人必须在尝试装配之前，先掌握某种"通用操作先验"。

二、范式革新："先玩再装"的二阶段框架

Play2Perfect 的思路很不一样。它不再把精密装配当成一个从零学起的独立任务，而是拆成两个递进阶段，前一阶段学到的能力可以迁移到后一阶段。

Play2Perfect 二阶段框架：自由空间玩耍预训练、装配任务微调、零样本迁移真机

阶段一：Dexterous Play Pretraining——构建"操作基底"

这个阶段的任务设计得出奇朴素：在仿真环境中，随机生成上千个不同几何形状、尺寸、重心和惯量的简单物体（长方体、圆柱体）。策略被要求完成一个看似简单却暗藏深意的任务——将物体移动到随机指定的6D目标位姿。

这里有几个关键设计，值得细看。

策略的形式是严格的目标条件式RL：

输入 = 机器人本体状态 + 当前物体6D位姿 + 目标物体6D位姿 + 物体几何尺寸

输出 = 22-DoF Sharpa Wave灵巧手 + 7-DoF KUKA机械臂的关节位置目标

换句话说，策略学的是一种更底层的能力："给我一个当前姿态和一个目标姿态，我用手和机械臂把物体从前者挪到后者"。

这恰好是精密装配中核心能力的本质——把零件从当前状态变成目标装配状态。只不过在真实装配里，中间多了接触、摩擦、卡顿和遮挡。Play阶段先在自由空间中学会6D控制，为后续的接触适应打下基础。

训练规模是另一个看点：24576个并行仿真环境同时运行，物理仿真以120Hz进行。这个计算量背后，是策略在海量交互中逐渐摸索出稳定的抓取、手内旋转、抗扰保持等多指操作技巧。

阶段二：Assembly Finetuning——适配接触行为

从Play阶段获得的策略，已经具备了"自由空间中的6D位姿控制能力"。但装配的真实挑战在于：当零件碰到孔口边缘时，该怎么做？

微调阶段的精妙之处在于奖励设计的极度克制。它不使用任何显式的抓取、对齐或接近奖励，仅依赖从CAD装配设计中派生出的稀疏成功信号——当零件的6D位姿与目标位姿的keypoint距离小于1cm时，给予一个额外奖励。

Assembly-by-Disassembly：从装好的 CAD 状态逐个拆除零件，倒序即得装配步骤与每步的稀疏目标位姿

为什么这样做有效？因为Play预训练已经解决了"如何抓住并控制物体"的问题。微调阶段只需要在已有操作能力的基础上，学习最后那段高精度接触行为——孔周局部搜索、微小摆动修正姿态、对齐后提交插入动作、滑落后重新抓取。

效果立竿见影：在紧间隙插入、螺丝拧入、多零件装配等接触丰富任务上，Play2Perfect仅需2-5小时就能学到成功策略。相比需要超100小时的密集奖励从零训练，速度提升约33倍。

四类装配任务训练曲线：带 Play 先验的策略 2-5 小时学成（蓝线），从零训练无论稀疏还是稠密奖励都趴在零附近（橙、灰线）

三、技术深潜：什么样的Play才算"有效玩耍"？

四组消融实验揭示了有效预训练的硬性条件。

Play 预训练的四个设计维度：物体多样性、训练目标、轨迹多样性、目标精度

条件一：必须包含旋转控制

这一条最能说明问题。论文对比了三种Play预训练目标：Translation-only（只要求位置到达）、Rotation-only（只要求姿态到达）、以及完整的6D Pose（位置+姿态同时到达）。

反差非常鲜明。Translation-only预训练的效果很差，原因也很直接：策略学会了"抓住物体后靠机械臂搬运"。既然只要求位置到达，手只要死死攥住物体、让大臂当搬运工就行，根本用不上手指去做手内操作。

Rotation-only显著优于Translation-only，因为它迫使手指学习手内重定向——用手指搓动、旋转、微调物体方向。但真正最优的是完整6D Pose目标，因为精密装配中位置和姿态必须同时精确到位，二者耦合紧密。

结论：如果你的预训练任务只设计成"把物体移动到某个位置"，模型学到的很可能是机械臂搬运，并不是灵巧手操作。要让手真正变灵巧，目标必须包含旋转、姿态、接触后的微调。

条件二：预训练精度必须严苛

论文默认使用1cm作为预训练阶段的目标容差阈值，并消融对比了更宽松的5cm和10cm条件。

结果清晰明了：10cm阈值几乎无法迁移到精密装配，5cm可以学到但明显更慢且效果更差，1cm最适合紧间隙任务。原因是，如果Play阶段目标太粗，策略根本不需要学会精细姿态控制；而精密装配要求的是毫米级接触容差，粗粒度控制完全无法迁移。

启示：预训练目标的难度必须和下游任务的精度要求匹配。如果下游要做0.5mm间隙插入，预训练阶段不能只训练10cm级别的粗操作。

条件三：在线随机轨迹优于固定轨迹库

论文比较了三种设定：固定10条轨迹集、固定100条轨迹集、以及在线随机生成目标位姿。

在线随机目标的迁移表现最优。解释并不复杂：固定轨迹容易让策略记住少量操作模式，一遇到训练中未覆盖的位姿转换就失效。而在线随机目标迫使策略面对无限变化的物体位姿，学习到的是一种更通用的"物体姿态控制能力"——无论当前物体是什么姿态、目标在哪里，都能找到操作路径。

放回真实装配场景一看就懂：零件每次抓取后的姿态都不一样，接触时的误差也各不相同。如果预训练只覆盖少数固定模式，策略到真实任务中必然脆弱。

条件四：物体多样性重"分布覆盖"，非盲目堆数量

实验对比了10、100、1000个物体的预训练效果。结果显示：从10到100提升明显，但从100到1000的边际收益已经有限。

这说明，灵巧操作的预训练，"覆盖得全"比"堆得多"更重要。应该优先覆盖真实任务里常见的几何变化——长条形、圆柱形、偏心重物、薄片、T形结构、可旋转零件等，而不是一味堆砌大量形状雷同的物体。

四组消融的下游装配训练曲线：旋转控制与紧精度阈值的差距最悬殊，物体 100 种与 1000 种几乎重合

四、平台的硬核支撑：Sharpa Wave 如何打通仿真到现实

算法设计再精妙，最终也得落到硬件上。Play2Perfect的整条实验链路里，Sharpa Wave五指灵巧手是绕不开的一环。

先认识一下这双手背后的公司。Sharpa 是一家 2024 年创立的 AI 机器人公司。Sharpa Wave 是它的旗舰灵巧手：22 个主动自由度，与人手同构、同尺寸，重约 1.2 公斤；指尖集成自研的动态触觉阵列（DTA），单个指尖上千个触感单元、力感精度 0.02 N；2025 年 10 月开始量产出货，并斩获 CES 2026 创新奖（机器人类）。对研究者更实际的一点是，官方直接提供 MuJoCo 等仿真模型——"仿真训练、真机零样本部署"这条路线能走通，硬件侧提供的高保真仿真模型是前提。值得一提的是，Play2Perfect 目前只用到了这双手的自由度，指尖触觉还没上场；而论文在局限一节恰好写着，引入视觉与触觉观测是下一步——这双手的传感器，正好是为那一步准备的。

高保真仿真模型是 zero-shot sim-to-real 的基础。仿真训练在 Isaac Sim 中使用 Sharpa Wave 的对应动力学模型完成。在预训练和微调阶段，系统还注入了大量领域随机化——动作延迟、本体感知观测延迟、物体当前与目标位姿的噪声——让策略在仿真里就学会在延迟和位姿噪声下仍然稳住动作。

系统集成层面，22-DoF Sharpa Wave灵巧手与7-DoF KUKA iiwa机械臂组成29自由度的完整操作链路。策略以60Hz高频闭环运行，同时接收FoundationPose以30Hz追踪的物体6D位姿（基于CAD模型）。当零件在接触中滑动、抓取松脱时，策略能在数十毫秒内做出反应——重新抓取、重新对齐、继续任务。

真机执行中零件滑落后，策略重新抓取、调整并继续完成装配

真机结果说明这条链路走得通：

紧间隙插入（2mm间隙）：9/10成功率，平均完成时间9.4秒

超紧间隙插入（0.5mm间隙）：6/10成功率，平均完成时间11.1秒

多零件装配（Assemble-Beam两步）：成功率分别为8/10和7/10

完整螺纹拧入（Screw-Leg）：5/10成功率

真机三类装配任务的成功率与完成时间

不同装配间隙下，装配微调策略与只预训练策略的真机与仿真对比

五、结论：灵巧操作迎来自己的"预训练时刻"

Play2Perfect的论文意义，不在于证明了"灵巧手可以完成插入任务"，而在于它提出并验证了一套可迁移的操作预训练范式。

在这套范式下，灵巧操作不必再为每个新任务重新设计奖励函数、重新采集遥操作数据、重新从零训练。新的训练路径是：先用大量与任务无关的交互练出通用操作先验，再用极少量任务特定的稀疏信号快速适配。

往大一点看，这恰好为未来的机器人系统架构补上了一块关键拼图。VLA（视觉-语言-动作）模型擅长理解任务、生成规划——"把桌腿装到桌板上"。但真正到了执行环节——0.5mm间隙插入、螺纹咬合、手内旋转、接触搜索——需要的是高频闭环和精细控制，不是光靠大模型直接输出动作就能解决的。

更合理的架构是：VLA负责"做什么"，Play2Perfect类策略在Sharpa Wave上负责"怎么用手做成"。前者处理语义理解和任务分解，后者处理物理交互和实时控制。这种分层设计，可能是通往真正能干活的人形机器人的最优路径。

而Sharpa Wave，正是这层"低层接触技能基座"的物理化身。

ArXiv 🔗：2606.26428

-END-

Ask Me Anything｜提问箱

❝

对文章有疑惑，或想聊更深？欢迎把你的问题丢给我们：技术方案、实操踩坑、课程与资料、项目合作、职业发展，都可以问。

怎么问：在评论区留言，或私信公众号

我们会做什么：每周集中整理高质量问题并公开回复，重点问题邀请作者或嘉宾深度解答；典型问题会加入知识库并持续更新。

提问小提示：尽量说明「你的目标—当前做法—期望产出」，附上必要信息（硬件/软件版本、数据规模等），能更快获得有用答案。

一起把问题变成知识，推动社区进步 🚀